mlflow的搭建使用是怎樣的

mlflow的搭建使用是怎樣的，相信很多沒有經驗的人對此束手無策，為此本文總結了問題出現的原因和解決方法，通過這篇文章希望你能解決這個問題。

背景

mlflow是Databrick開源的機器學習管理平臺，它很好的解藕了算法訓練和算法模型服務，使得算法工程師專注于模型的訓練，而不需要過多的關注于服務的,
而且在我們公司已經有十多個服務穩定運行了兩年多。

搭建

mlflow的搭建主要是mlflow tracking server的搭建，tracking server主要是用于模型的元數據以及模型的數據存儲
我們這次以minio作為模型數據的存儲后臺，mysql作為模型元數據的存儲，因為這種模式能滿足線上的需求，不僅僅是用于測試

• minio的搭建
  MinIO的搭建使用，并且創建名為mlflow的bucket，便于后續操作

• mlflow的搭建

  # 創建conda環境 并安裝 python 3.6  
  conda create -n mlflow-1.11.0 python==3.6
  #激活conda環境
  conda activate mlflow-1.11.0
  # 安裝mlfow tracking server python需要的依賴包
  pip install mlflow==1.11.0 
  pip install mysqlclient
  pip install boto3

   

  暴露出minio url以及需要的ID和KEY，因為mlflow tracking server在上傳模型文件時需要   
  export AWS_ACCESS_KEY_ID=AKIAIOSFODNN7EXAMPLE
  export AWS_SECRET_ACCESS_KEY=wJalrXUtnFEMI/K7MDENG/bPxRfiCYEXAMPLEKEY
  export MLFLOW_S3_ENDPOINT_URL=http://localhost:9001
  mlflow server \
     --backend-store-uri mysql://root:AO,h07ObIeH-@localhost/mlflow_test \
     --host 0.0.0.0 -p 5002 \
     --default-artifact-root s3://mlflow

  
  

  訪問localhost:5002, 就能看到如下界面:
  

• mlflow tracking server的啟動

• conda的安裝
  參照install conda,根據自己的系統安裝不同的conda環境

• mlfow tracking server安裝

使用

拷貝以下的wine.py文件

import os
import warnings
import sys

import pandas as pd
import numpy as np
from sklearn.metrics import mean_squared_error, mean_absolute_error, r2_score
from sklearn.model_selection import train_test_split
from sklearn.linear_model import ElasticNet
import mlflow.sklearn


def eval_metrics(actual, pred):
  rmse = np.sqrt(mean_squared_error(actual, pred))
  mae = mean_absolute_error(actual, pred)
  r2 = r2_score(actual, pred)
  return rmse, mae, r2


if __name__ == "__main__":
  warnings.filterwarnings("ignore")
  np.random.seed(40)

  # Read the wine-quality csv file (make sure you're running this from the root of MLflow!)
  wine_path = os.path.join(os.path.dirname(os.path.abspath(__file__)), "wine-quality.csv")
  data = pd.read_csv(wine_path)

  # Split the data into training and test sets. (0.75, 0.25) split.
  train, test = train_test_split(data)

  # The predicted column is "quality" which is a scalar from [3, 9]
  train_x = train.drop(["quality"], axis=1)
  test_x = test.drop(["quality"], axis=1)
  train_y = train[["quality"]]
  test_y = test[["quality"]]

  alpha = float(sys.argv[1]) if len(sys.argv) > 1 else 0.5
  l1_ratio = float(sys.argv[2]) if len(sys.argv) > 2 else 0.5
  mlflow.set_tracking_uri("http://localhost:5002")
  client = mlflow.tracking.MlflowClient()
  mlflow.set_experiment('http_metrics_test')
  with mlflow.start_run():
      lr = ElasticNet(alpha=alpha, l1_ratio=l1_ratio, random_state=42)
      lr.fit(train_x, train_y)

      predicted_qualities = lr.predict(test_x)

      (rmse, mae, r2) = eval_metrics(test_y, predicted_qualities)

      print("Elasticnet model (alpha=%f, l1_ratio=%f):" % (alpha, l1_ratio))
      print("  RMSE: %s" % rmse)
      print("  MAE: %s" % mae)
      print("  R2: %s" % r2)

      mlflow.log_param("alpha", alpha)
      mlflow.log_param("l1_ratio", l1_ratio)
      mlflow.log_metric("rmse", rmse)
      mlflow.log_metric("r2", r2)
      mlflow.log_metric("mae", mae)

      mlflow.sklearn.log_model(lr, "model")

注意：
1.mlflow.set_tracking_uri("http://localhost:5002") 設置為剛才啟動的mlflow tracking server的地址
2.mlflow.set_experiment('http_metrics_test') 設置實驗的名字
3.安裝該程序所依賴的python包
4.如果不是在同一個conda環境中，還得執行

    export AWS_ACCESS_KEY_ID=AKIAIOSFODNN7EXAMPLE
    export AWS_SECRET_ACCESS_KEY=wJalrXUtnFEMI/K7MDENG/bPxRfiCYEXAMPLEKEY
    export MLFLOW_S3_ENDPOINT_URL=http://localhost:9001

便于python客戶端上傳模型文件以及模型元數據
直接執行 python wine.py 如果成功，訪問mlflow tracking server ui下有如下
點擊 2020-10-30 10:34:38，如下：

啟動mlflow 算法服務

在同一個conda環境中執行命令

export MLFLOW_TRACKING_URI=http://localhost:5002 
mlflow models serve -m runs:/e69aed0b22fb45debd115dfc09dbc75a/model -p 1234 --no-conda

其中e69aed0b22fb45debd115dfc09dbc75a為mlflow tracking server ui中的run id

如遇到ModuleNotFoundError: No module named 'sklearn'
執行 pip install scikit-learn==0.19.1
遇到ModuleNotFoundError: No module named 'scipy'
執行pip install scipy

請求訪問該model啟動的服務:

curl -X POST -H "Content-Type:application/json; format=pandas-split" --data '{"columns":["alcohol", "chlorides", "citric acid", "density", "fixed acidity", "free sulfur dioxide", "pH", "residual sugar", "sulphates", "total sulfur dioxide", "volatile acidity"],"data":[[12.8, 0.029, 0.48, 0.98, 6.2, 29, 3.33, 1.2, 0.39, 75, 0.66]]}' http://127.0.0.1:1234/invocations

輸出 [5.455573233630147] 則表明該模型服務成功部署

看完上述內容，你們掌握mlflow的搭建使用是怎樣的的方法了嗎？如果還想學到更多技能或想了解更多相關內容，歡迎關注億速云行業資訊頻道，感謝各位的閱讀！