MLflow系列2：MLflow追踪

英文链接：https://mlflow.org/docs/latest/tracking.html
本文链接：https://www.cnblogs.com/CheeseZH/p/11945089.html

MLflow Tracking

MLflow Tracking组件提供了API和UI，用于记录并可视化展示机器学习代码运行过程中的参数，代码版本，评价指标和输出文件。MLflow Tracking可以让你通过Python，REST API，R API或Java API来记录和查询试验。

一些概念

MLflow Tracking围绕着runs的概念进行组织，runs是一些数据科学代码片段的执行。一个run记录了以下信息：

Code Version／代码版本

如果run是来自一个MLflow项目，那么版本就是代码的Git提交对应的hash值。

Start&End Time／起止时间

run的开始时间和结束时间。

Source／源文件

启动run的文件名，或者MLflow项目的项目名和入口。

Parameters／参数

所选输入参数的Key-Value对，Key和Value都是字符串。

Metrics／评价指标

Key-value指标，value是数值。每个指标都可以在run的执行过程中被更新（比如记录模型损失函数的收敛曲线），MLflow记录并可视化指标的完整历史。

Artifacts／模型产品

任何格式的输出文件。你可以记录图片，模型或者数据文件。

你可以通过MLflow Python，R，Java或者REST APIs来记录runs。比如你可以记录一个单独的程序，可以记录远程及其或者交互式notebook。如果你记录MLflow项目的runs，MLflow会记住项目URI和源文件的版本。

你可以通过experiments来组织runs，experiments是用于特定任务的一组runs。你可以通过以下方式创建一个experiment：

  • mlflow experiments命令
  • mlflow.create_experiment()
  • 使用对应的REST API
  • MLflow API和UI让你可以创建和搜索experiments

当你的runs被记录之后，你可以通过Tracking UI或者MLflow API来查询。

Runs被记录在哪？

MLflow runs可以被存储在本地文件，SQLAlchemy兼容的数据库或者远程的服务器。默认情况下，MLflow Python API会把runs记录在你的运行程序所在的目录的mlruns子目录。你可以使用mlflow ui查看记录的runs。

如果把runs存储到远程服务器，需要配置环境变量MLFLOW_TRACKING_URI 或者调用mlflow.set_tracking_uri()。

URI可以有多种形式：

  • 本地路径，格式为/my/local/dir
  • 数据库，格式为<dialect>+<driver>://<username>:<password>@<host>:<port>/<database>，Mlflow支持mysql，sqlite，postgresql等多种SQLAlchemy数据库
  • HTTP服务器，格式为https://my-server:5000，该服务是一个MLflow tracking server。
  • Databricks工作空间，格式为databricks或者databricks://<profileName>，一个Databricks CLI profile。更多信息参考文档或者Databricks社区版快速入门。

把数据保存成runs

你可以通过MLflow Python，R，Java或者REST API来把数据保存成runs，本章节主要介绍Python API。

Logging Functions／日志函数

mlflow.set_tracking_uri() 连接一个记录URI，也可以通过环境变量MLFLOW_TRACKING_URI 来配置，默认是本地的mlruns目录。

mlflow.tracking.get_tracking_uri()返回当前的记录URI。

mlflow.create_experiment()创建一个新experiment并返回ID。通过将ID传入mlflow.start_run可以启动experiment下面的runs。

mlflow.set_experiment()激活一个experiment。如果experiment不存在，则创建一个。

mlflow.start_run()返回当前激活的run，或者启动一个新的run并返回一个mlflow.ActiveRun对象。不需要显示调用start_run，如果没有激活状态的run，日志函数会自动创建一个。

mlflow.end_run()结束当前处于激活状态的run。

mlflow.active_run()返回一个mlflow.entities.Run对象。

mlflow.log_param()记录一个当前run的key-value参数。使用mlflow.log_params()可以记录多个参数。

mlflow.log_metric()记录一个当前run的key-value指标。MLflow会记录每个metric的所有历史值。使用mlflow.log_metrics()可以记录多个指标。

mlflow.set_tag()给当前run设置一个key-value标签。使用mlflow.set_tags()设置多个标签。

mlflow.log_artifact()把一个本地文件或目录存储为一个artifact，可以通过artifact_path指定run的artifact URI。Run artifacts可以通过目录的方式组织。

mlflow.log_artifacts()把指定目录下的所有文件存储为一个artifact。

mlflow.get_artifact_uri()返回当前run指定的artifact URI。

在一个程序中启动多个runs

有时候你希望能够在一个程序中启动多个runs，比如你在执行一个超参数搜索程序或者你的experiments运行非常快。mlflow.start_run()返回的ActiveRun对象是一个python context manager。你可以通过以下代码块来限定每个run的范围。

with mlflow.start_run():
    mlflow.log_param("x", 1)
    mlflow.log_metric("y", 2)
    ...

在with语句中，这个run会保持打开状态，语句退出或者有异常时会自动关闭。

通过指标记录模型表现

你通过log方法来记录各个指标，log方法提供了两个可选方法用于区分指标的x-axis：timestamp和step。

timestamp是metric被记录的时间，默认是当前时间。

step是训练过程的量化值，可以是迭代次数，轮数或者其他值，默认是0并且有以下要求和特性：

  • 一定是个合法的64位整型
  • 可以是负数
  • 可以是非连续的，比如（1，3，2）也是合法的
  • 可以有跳跃性的，比如（1，5，74，-10）也是合法的

你可以同时指定timestamp和step，MLflow会分别存储。

Python示例：

with mlflow.start_run():
    for epoch in range(0, 3):
        mlflow.log_metric(key="quality", value=2*epoch, step=epoch)

可视化指标

下图取自quick start，包含一个step x-axis和两个timestamp x-axis。

自动记录TensorFlow和Keras的日志(experimental)

在训练之前调用mlflow.tensorflow.autolog()或mlflow.keras.autolog()即可，参考Tensorflow和Keras的例子。

自动记录以下信息：

注意 tf.keras 使用 mlflow.tensorflow.autolog(), 而不是 mlflow.keras.autolog().

组织experiments中的runs

MLflow允许你在experiments中组织runs，这样可以方便的对比处理同个任务的不同runs。你可以通过命令行mlflow experiments或者python API mlflow.create_experiment()创建experiments。你可以在命令行中为单独的run指定experiment，例如mlflow run ... --experiment-name [name] 或者通过环境变量MLFLOW_EXPERIMENT_NAME 来指定。或者用experiment ID（--experiment-id命令行参数或者MLFLOW_EXPERIMENT_ID环境变量）也行。

# Set the experiment via environment variables
export MLFLOW_EXPERIMENT_NAME=fraud-detection

mlflow experiments create --experiment-name fraud-detection

# Launch a run. The experiment is inferred from the MLFLOW_EXPERIMENT_NAME environment
# variable, or from the --experiment-name parameter passed to the MLflow CLI (the latter
# taking precedence)
with mlflow.start_run():
    mlflow.log_param("a", 1)
    mlflow.log_metric("b", 2)

通过追踪服务API来管理Experiments和Runs

MLflow提供了更详细的追踪服务API来管理experiments和runs，主要是用mlflow.tracking模块的client SDK。这样就可以查询过去runs的数据，记录更多日志，创建experiments，添加tag等。

from  mlflow.tracking import MlflowClient
client = MlflowClient()
experiments = client.list_experiments() # returns a list of mlflow.entities.Experiment
run = client.create_run(experiments[0].experiment_id) # returns mlflow.entities.Run
client.log_param(run.info.run_id, "hello", "world")
client.set_terminated(run.info.run_id)

为Runs添加标签

mlflow.tracking.MlflowClient.set_tag()方法可以为runs添加个性化标签。一个标签一次只能有一个唯一值。例如：

client.set_tag(run.info.run_id, "tag_key", "tag_value")

注意：不要用mlflow作为tag的前缀，以下是系统tags。

追踪UI

追踪UI能够可视化，搜索，对比runs，也能下载run的产品或者元数据。

如果将runs记录在本地mlruns目录，只需要在mlruns的上层目录中运行mlfow ui就可以。

或者你也可以通过MLflow tracking server来访问远程的runs。

UI主要包括以下功能：

  • 基于experiment的run列表和对比
  • 根据参数或者指标搜索runs
  • 可视化run的指标
  • 下载run的结果

通过编程查询runs

引用artifacts

  • /Users/me/path/to/local/model
  • relative/path/to/local/model
  • /. 例如:
    • s3://my_bucket/path/to/model
    • hdfs://:/
    • runs:/<mlflow_run_id>/run-relative/path/to/model

例如

# Tracking API
mlflow.log_artifacts("<mlflow_run_id>", "/path/to/artifact")

# Models API
mlflow.pytorch.load_model("runs:/<mlflow_run_id>/run-relative/path/to/model")

MLflow Tracking Servers

你可以通过mlflow server命令启动一个tracking server，一个样例配置：

mlflow server \
    --backend-store-uri /mnt/persistent-disk \
    --default-artifact-root s3://my-mlflow-bucket/ \
    --host 0.0.0.0

存储

一个MLflow tracking server包含两个存储组件：后端存储和产品存储。

后端存储用于保存experiment和run的元数据，比如参数，指标，标签等。后端存储支持两种类型：文件存储，数据库存储。通过--backend-store-uri来配置后端存储类型。

  • ./path_to_store 或者 file:/path_to_store
  • SQLAlchemy database URI：+😕/:@:/，比如--backend-store-uri sqlite:///mlflow.db会使用本地的SQLite数据库。

默认--backend-store-uri是./mlruns目录。

产品存储需要存储大量数据以及客户端记录的输出产品（例如模型）。artifact_location是mlflow.entities.Experiment的一个属性。artifact_uri是mlflow.entities.RunInfo的一个属性用于标明当前run的所有artifacts需要保存在哪里。

使用--default-artifact-root (默认./mlruns目录)来配置默认的存储位置。

Artifact存储

  • Amazon S3
  • Azure Blob Storage
  • Google Cloud Storage
  • FTP server
  • SFTP Server
  • NFS
  • HDFS

Logging to a Tracking Server

通过环境变量MLFLOW_TRACKING_URI或者调用mlflow.set_tracking_uri()来指定Tracking服务器。

然后mlflow.start_run(), mlflow.log_param(), 和 mlflow.log_metric()会向指定的tracking服务器发送API请求。

import mlflow
remote_server_uri = "..." # set to your server URI
mlflow.set_tracking_uri(remote_server_uri)
# Note: on Databricks, the experiment name passed to mlflow_set_experiment must be a
# valid path in the workspace
mlflow.set_experiment("/my-experiment")
with mlflow.start_run():
    mlflow.log_param("a", 1)
    mlflow.log_metric("b", 2)

其他参考项目

posted @ 2019-11-27 20:04  ZH奶酪  阅读(4922)  评论(0)  编辑  收藏  举报