跳到主要内容

使用 MLflow 追踪服务器进行远程实验追踪

在本教程中，您将学习如何使用 MLflow 跟踪服务器为团队开发设置 MLflow 跟踪环境。

利用 MLflow 跟踪服务器进行远程实验跟踪有很多好处：

  • 协作：多个用户可以向同一个端点记录运行，并查询其他用户记录的运行和模型。
  • 共享结果：跟踪服务器还提供了一个 跟踪 UI 端点，团队成员可以在此轻松地查看彼此的结果。
  • 集中访问：跟踪服务器可以作为元数据和工件远程访问的代理，从而更容易地保护和审计数据访问。

它是如何工作的？​

下图描述了使用带有 PostgreSQL 和 S3 的远程 MLflow 跟踪服务器的架构

带有 PostgreSQL 和 S3 的 MLflow 跟踪服务器的工件架构图

注意

您可以在工件存储和后端存储文档指南中找到支持的数据存储列表。

当您开始向 MLflow 跟踪服务器记录运行时，会发生以下情况：

  • 第 1a 和 1b 部分:

    • MLflow 客户端创建一个 RestStore 实例，并发送 REST API 请求来记录 MLflow 实体。
    • 跟踪服务器创建一个 SQLAlchemyStore 实例，并连接到远程主机以在数据库中插入跟踪信息（即指标、参数、标签等）。

  • 第 1c 和 1d 部分:

    • 客户端的检索请求从配置的 SQLAlchemyStore 表中返回信息。

  • 第 2a 和 2b 部分:

    • 客户端使用 HttpArtifactRepository 向 MLflow 跟踪服务器写入文件，从而记录工件事件。
    • 然后，跟踪服务器使用假定的角色身份验证将这些文件写入配置的对象存储位置。

  • 第 2c 和 2d 部分:

    • 通过在服务器启动时配置的相同授权认证，为用户请求从配置的后端存储中检索工件。
    • 工件通过 HttpArtifactRepository 的接口，经由跟踪服务器传递给最终用户。

开始使用​

前言​

在实际的生产部署环境中，您将拥有多个远程主机来运行跟踪服务器和数据库，如上图所示。但是，为了本教程的目的，我们将只使用一台机器，并在不同的端口上运行多个 Docker 容器，以更简单的评估教程设置来模拟远程环境。我们还将使用与 S3 兼容的对象存储 MinIO 作为工件存储，这样您就不需要 AWS 账户即可运行本教程。

步骤 1 - 获取 MLflow 和其他依赖项​

MLflow 可在 PyPI 上获取。此外，使用 Python 访问 PostgreSQL 和 S3 需要 pyscopg2 和 boto3。如果您的系统上尚未安装它们，您可以使用以下命令进行安装：

pip install mlflow psycopg2 boto3

步骤 2 - 设置远程数据存储​

MLflow 跟踪服务器可以与各种数据存储交互，以存储实验和运行数据以及工件。在本教程中，我们将使用 Docker Compose 启动两个容器，每个容器模拟实际环境中的远程服务器。

  1. 使用 PostgreSQL 数据库作为后端存储。
  2. 使用 MinIO 服务器作为工件存储。

安装 docker 和 docker-compose​

注意

这些 docker 步骤仅为本教程目的所需。MLflow 本身完全不依赖 Docker。

按照官方说明安装 Docker 和 Docker Compose。然后，运行 `docker --version` 和 `docker-compose --version` 以确保它们已正确安装。

创建 `compose.yaml`​

创建一个名为 `compose.yaml` 的文件，内容如下：

compose.yaml
version: "3.7"
services:
  # PostgreSQL database
  postgres:
    image: postgres:latest
    environment:
      POSTGRES_USER: user
      POSTGRES_PASSWORD: password
      POSTGRES_DB: mlflowdb
    ports:
      - 5432:5432
    volumes:
      - ./postgres-data:/var/lib/postgresql/data
  # MinIO server
  minio:
    image: minio/minio
    expose:
      - "9000"
    ports:
      - "9000:9000"
      # MinIO Console is available at https://:9001
      - "9001:9001"
    environment:
      MINIO_ROOT_USER: "minio_user"
      MINIO_ROOT_PASSWORD: "minio_password"
    healthcheck:
      test: timeout 5s bash -c ':> /dev/tcp/127.0.0.1/9000' || exit 1
      interval: 1s
      timeout: 10s
      retries: 5
    command: server /data --console-address ":9001"
  # Create a bucket named "bucket" if it doesn't exist
  minio-create-bucket:
    image: minio/mc
    depends_on:
      minio:
        condition: service_healthy
    entrypoint: >
      bash -c "
      mc alias set minio http://minio:9000 minio_user minio_password &&
      if ! mc ls minio/bucket; then
        mc mb minio/bucket
      else
        echo 'bucket already exists'
      fi
      "

启动容器​

在 `compose.yaml` 文件所在的目录中运行以下命令以启动容器。这将在后台启动 PostgreSQL 和 Minio 服务器的容器，并在 Minio 中创建一个名为 "bucket" 的新存储桶。

docker compose up -d

步骤 3 - 启动跟踪服务器​

注意

在实际环境中，您将有一个远程主机来运行跟踪服务器，但在本教程中，我们将使用我们的本地机器作为远程机器的模拟替代品。

配置访问​

为了让跟踪服务器能够访问远程存储，需要为其配置必要的凭据。

export MLFLOW_S3_ENDPOINT_URL=https://:9000 # Replace this with remote storage endpoint e.g. s3://my-bucket in real use cases
export AWS_ACCESS_KEY_ID=minio_user
export AWS_SECRET_ACCESS_KEY=minio_password

您可以在支持的存储中找到如何为其他存储配置凭据的说明。

启动跟踪服务器​

要指定后端存储和工件存储，您可以分别使用 `--backend-store-uri` 和 `--artifacts-store-uri` 选项。

mlflow server \
  --backend-store-uri postgresql://user:password@localhost:5432/mlflowdb \
  --artifacts-destination s3://bucket \
  --host 0.0.0.0 \
  --port 5000

在实际环境中，请将 `localhost` 替换为您的数据库服务器的远程主机名或 IP 地址。

步骤 4：登录到跟踪服务器​

跟踪服务器运行后，您可以通过将 MLflow 跟踪 URI 设置为跟踪服务器的 URI 来向其记录运行。或者，您可以使用 `mlflow.set_tracking_uri()` API 来设置跟踪 URI。

export MLFLOW_TRACKING_URI=http://127.0.0.1:5000  # Replace with remote host name or IP address in an actual environment

然后像往常一样使用 MLflow 跟踪 API 运行您的代码。以下代码在糖尿病数据集上运行 scikit-learn RandomForest 模型的训练：

import mlflow

from sklearn.model_selection import train_test_split
from sklearn.datasets import load_diabetes
from sklearn.ensemble import RandomForestRegressor

mlflow.autolog()

db = load_diabetes()
X_train, X_test, y_train, y_test = train_test_split(db.data, db.target)

# Create and train models.
rf = RandomForestRegressor(n_estimators=100, max_depth=6, max_features=3)
rf.fit(X_train, y_train)

# Use the model to make predictions on the test dataset.
predictions = rf.predict(X_test)

步骤 5：在跟踪 UI 中查看已记录的运行​

我们的伪远程 MLflow 跟踪服务器也在同一个端点上托管跟踪 UI。在具有远程跟踪服务器的实际部署环境中，情况也是如此。您可以通过在浏览器中导航到 `http://127.0.0.1:5000`（在实际环境中替换为远程主机名或 IP 地址）来访问 UI。

步骤 6：下载工件​

MLflow 跟踪服务器还充当工件访问的代理主机。通过诸如 `models:/`、`mlflow-artifacts:/` 之类的代理 URI 可以访问工件，从而使用户能够访问此位置，而无需管理直接访问的凭据或权限。

import mlflow

model_id = "YOUR_MODEL_ID"  # You can find model ID in the Tracking UI

# Download artifact via the tracking server
mlflow_artifact_uri = f"models:/{model_id}"
local_path = mlflow.artifacts.download_artifacts(mlflow_artifact_uri)

# Load the model
model = mlflow.sklearn.load_model(local_path)

下一步是什么？​

现在您已经学习了如何设置 MLflow 跟踪服务器以进行远程实验跟踪！您还可以探索一些更高级的主题：

  • 跟踪服务器的其他配置：默认情况下，MLflow 跟踪服务器同时提供后端存储和工件存储。您也可以配置跟踪服务器仅提供后端存储或工件存储，以处理不同的用例，例如大流量或安全问题。请参阅其他用例，了解如何为这些用例自定义跟踪服务器。
  • 保护跟踪服务器：`--host` 选项在所有接口上暴露服务。如果在生产环境中运行服务器，我们建议不要广泛地暴露内置服务器（因为它是未经身份验证且未加密的）。请阅读保护跟踪服务器，了解在生产环境中保护跟踪服务器的最佳实践。