MLflow节点

综述

MLflow 是一个MLops领域一个优秀的开源项目，用于管理机器学习的生命周期，包括实验、可再现性、部署和中心模型注册。

MLflow 组件用于执行 MLflow 任务，目前包含Mlflow Projects，和MLflow Models。（Model Registry将在不就的将来支持）。

MLflow Projects: 将代码打包，并可以运行到任务的平台上。
MLflow Models: 在不同的服务环境中部署机器学习模型。
Model Registry: 在一个中央存储库中存储、注释、发现和管理模型 (你也可以在你的MLflow project 里面自行注册模型)。

目前 Mlflow 组件支持的和即将支持的内容如下中：

MLflow Projects
- BasicAlgorithm: 基础算法，包含LogisticRegression， svm， lightgbm， xgboost
- AutoML: AutoML工具，包含autosklean， flaml
- Custom projects: 支持运行自己的MLflow Projects项目
MLflow Models
- MLFLOW: 直接使用 mlflow models serve 部署模型。
- Docker: 打包 DOCKER 镜像后部署模型。

创建任务

点击项目管理-项目名称-工作流定义，点击“创建工作流”按钮，进入 DAG 编辑页面；
拖动工具栏的任务节点到画板中。

任务样例

默认参数说明请参考DolphinScheduler任务参数附录。

以下是一些MLflow 组件的常用参数

任务参数	描述
MLflow Tracking Server URI	MLflow Tracking Server 的连接，默认 http://localhost:5000
实验名称	任务运行时所在的实验，若实验不存在，则创建。若实验名称为空，则设置为`Default`，与 MLflow 一样

MLflow Projects

BasicAlgorithm

mlflow-conda-env

任务参数	描述
注册模型	是否注册模型，若选择注册，则会展开以下参数
注册的模型名称	注册的模型名称，会在原来的基础上加上一个模型版本，并注册为Production
数据路径	文件/文件夹的绝对路径，若文件需以.csv结尾（自动切分训练集与测试集），文件夹需包含train.csv和test.csv（建议方式，用户应自行构建测试集用于模型评估）。详细的参数列表如下: LogisticRegression SVM lightgbm xgboost
算法	选择的算法，目前基于 scikit-learn 形式支持 `lr`，`svm`，`lightgbm`，`xgboost`
参数搜索空间	运行对应算法的参数搜索空间，可为空。如针对lightgbm 的 `max_depth=[5, 10];n_estimators=[100, 200]` 则会进行对应搜索。约定传入后会以;切分各个参数，等号前的名字作为参数名，等号后的名字将以python eval执行得到对应的参数值

AutoML

mlflow-automl

任务参数	描述
注册模型	是否注册模型，若选择注册，则会展开以下参数
注册的模型名称	注册的模型名称，会在原来的基础上加上一个模型版本，并注册为Production
数据路径	文件/文件夹的绝对路径，若文件需以.csv结尾（自动切分训练集与测试集），文件夹需包含train.csv和test.csv（建议方式，用户应自行构建测试集用于模型评估）
参数	初始化AutoML训练器时的参数，可为空，如针对 flaml 设置`time_budget=30;estimator_list=['lgbm']`。约定传入后会以; 切分各个参数，等号前的名字作为参数名，等号后的名字将以python eval执行得到对应的参数值。详细的参数列表如下: flaml，autosklearn
AutoML工具	使用的AutoML工具，目前支持 autosklearn，flaml

Custom projects

任务参数	描述
参数	`mlflow run`中的 --param-list 如 `-P learning_rate=0.2 -P colsample_bytree=0.8 -P subsample=0.9`
运行仓库	MLflow Project的仓库地址，可以为github地址，或者worker上的目录，如MLflow project位于子目录，可以添加 `#` 隔开，如 `https://github.com/mlflow/mlflow#examples/xgboost/xgboost_native`
项目版本	对应项目中git版本管理中的版本，默认 master

现在你可以使用这个功能来运行github上所有的MLflow Projects (如 MLflow examples )了。你也可以创建自己的机器学习库，用来复用你的研究成果，以后你就可以使用DolphinScheduler来一键操作使用你的算法库。

MLflow Models

任务参数	描述
部署模型的URI	MLflow 服务里面模型对应的URI，支持 `models:/<model_name>/suffix` 格式和 `runs:/` 格式
监听端口	部署服务时的端口

MLFLOW

mlflow-models-mlflow

Docker

mlflow-models-docker

环境准备

conda 环境配置

请提前安装anaconda 或者安装miniconda

方法A：

配置文件：/dolphinscheduler/conf/env/dolphinscheduler_env.sh。

在文件最后添加内容

# 配置你的conda环境路径
export PATH=/opt/anaconda3/bin:$PATH

方法B：

你需要进入admin账户配置一个conda环境变量。

mlflow-conda-env

后续注意配置任务时，环境选择上面创建的conda环境，否则程序会找不到conda环境。

mlflow-set-conda-env

MLflow service 启动

确保你已经安装MLflow，可以使用pip install mlflow进行安装。

在你想保存实验和模型的地方建立一个文件夹，然后启动 mlflow service。

mkdir mlflow
cd mlflow
mlflow server -h 0.0.0.0 -p 5000 --serve-artifacts --backend-store-uri sqlite:///mlflow.db

运行后会启动一个MLflow服务。

可以通过访问 MLflow service (http://localhost:5000) 页面查看实验与模型。

mlflow-server

内置算法仓库配置

如果遇到github无法访问的情况，可以修改commom.properties配置文件的以下字段，将github地址替换能访问的地址。

# mlflow task plugin preset repository
ml.mlflow.preset_repository=https://github.com/apache/dolphinscheduler-mlflow
# mlflow task plugin preset repository version
ml.mlflow.preset_repository_version="main"