ノートブックでモデル追跡用に MLflow を構成する

ノートブックで作業すると、対話形式で実験し、すばやく反復処理できます。 その実験を意味のあるものにするには、試した内容を追跡する必要があります。 追跡を行わないと、どの構成がどの結果を生成したのかを簡単に見失うことができます。

MLflow は、機械学習の実験を追跡および管理するためのオープンソース ライブラリです。 特に、 MLflow Tracking は MLflow のコンポーネントであり、 パラメーター、 メトリック、アーティファクトなど、トレーニング中のモデルに関するすべての情報をログに記録 します。 つまり、ノートブックの実行を AutoML トレーニング済みのモデルと直接比較できます。すべて 1 か所で行うことができます。

Azure Machine Learning ワークスペースのノートブックで MLflow を使用するには、必要なライブラリをインストールし、Azure Machine Learning を追跡ストアとして設定する必要があります。

ノートブックで MLflow を構成する

ノートブックは、Azure Machine Learning 内またはローカル デバイスで作成および編集できます。

Azure Machine Learning ノートブックを使用する

Azure Machine Learning ワークスペース内で、ノートブックを作成し、ノートブックを Azure Machine Learning マネージド コンピューティング インスタンスに接続できます。

コンピューティング インスタンスでノートブックを実行している場合、MLflow は既に構成されており、使用する準備ができています。

必要なパッケージがインストールされていることを確認するには、次のコードを実行します。

pip show mlflow
pip show azureml-mlflow

mlflow パッケージはオープンソース ライブラリです。 azureml-mlflow パッケージには、Azure Machine Learning と MLflow の統合コードが含まれています。

ローカル デバイスで MLflow を使用する

ローカル デバイス上のノートブックで作業する場合は、MLflow を使用することもできます。 次の手順を実行して、MLflow を構成する必要があります。

1. mlflowとazureml-mlflow パッケージをインストールします。

   pip install mlflow
   pip install azureml-mlflow
   

2. Azure Machine Learning Studio に移動します。

3. スタジオの右上隅で作業中のワークスペースの名前を選択します。

4. [ Azure portal ですべてのプロパティを表示する] を選択します。 新しいタブが開き、Azure portal で Azure Machine Learning サービスに移動します。

5. MLflow 追跡 URI の値をコピーします。

6. ローカル ノートブックで次のコードを使用して、Azure Machine Learning ワークスペースを指すように MLflow を構成し、ワークスペース追跡 URI に設定します。

   mlflow.set_tracking_uri = "MLFLOW-TRACKING-URI"
   

モデルの結果を追跡して Azure Machine Learning ワークスペースに格納するように MLflow を構成したら、ノートブックで実験する準備ができました。