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：

• [x] MLflow Projects
  • [x] BasicAlgorithm: 基础算法，包含LogisticRegression, svm, lightgbm, xgboost
  • [x] AutoML: AutoML工具，包含autosklean, flaml
  • [x] Custom projects: 支持运行自己的MLflow Projects项目
• [ ] MLflow Models
  • [x] MLFLOW: 直接使用 mlflow models serve 部署模型。
  • [x] Docker: 打包 DOCKER 镜像后部署模型。
  • [x] Docker Compose: 使用Docker Compose 部署模型，将会取代上面的Docker部署。
  • [ ] Seldon core: 构建完镜像后，使用Seldon Core 部署到k8s集群上, 可以使用Seldon Core的生成模型管理能力。
  • [ ] k8s: 构建完镜像后， 部署到k8s集群上。
  • [ ] MLflow deployments: 内置的允许MLflow 部署模块, 如内置的部署到Sagemaker等。
• [ ] Model Registry
  • [ ] Register Model: 注册相关工件(模型以及相关的参数，指标)到模型中心

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

首先介绍一些DS通用参数

• 节点名称 ：设置任务的名称。一个工作流定义中的节点名称是唯一的。
• 运行标志 ：标识这个节点是否能正常调度,如果不需要执行，可以打开禁止执行开关。
• 描述 ：描述该节点的功能。
• 任务优先级 ：worker 线程数不足时，根据优先级从高到低依次执行，优先级一样时根据先进先出原则执行。
• Worker 分组 ：任务分配给 worker 组的机器执行，选择 Default，会随机选择一台 worker 机执行。
• 环境名称 ：配置运行脚本的环境。
• 失败重试次数 ：任务失败重新提交的次数。
• 失败重试间隔 ：任务失败重新提交任务的时间间隔，以分钟为单位。
• 延迟执行时间 ：任务延迟执行的时间，以分钟为单位。
• 超时告警 ：勾选超时告警、超时失败，当任务超过"超时时长"后，会发送告警邮件并且任务执行失败。
• 前置任务 ：选择当前任务的前置任务，会将被选择的前置任务设置为当前任务的上游。

以下是一些MLflow 组件的常用参数

• 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

任务参数

• 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

任务参数

• 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

• 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

常用参数:

• 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

Docker

DOCKER COMPOSE

• 最大CPU限制 ：如 1.0 或者 0.5, 与 docker compose 一致。
• 最大内存限制 ：如 1G 或者 500M, 与 docker compose 一致。

环境准备

conda 环境配置

你需要进入admin账户配置一个conda环境变量（请提前安装anaconda 或者安装miniconda )。

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 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。