Databricks 自動ロギング

Databricks 自動ログは、 MLflow 自動ログ記録 を拡張して、Databricks での機械学習トレーニング セッションの自動エクスペリメント追跡を提供するコードなしのソリューションです。

Databricks Autologging を使用すると、さまざまな一般的な機械学習ライブラリからモデルをトレーニングするときに、モデル パラメーター、メトリクス、ファイル、およびリネージ情報が自動的にキャプチャされます。 トレーニング セッションは、 MLflow 追跡の実行として記録されます。 モデル ファイルも追跡されるため、モデル ファイルをMLflow Model Registryに簡単に記録し、モデルサービングを使用してリアルタイムスコアリングのためにデプロイできます。

次のビデオは、対話型の Python ノートブックでの Scikit-Learn モデル トレーニング セッションを使用した Databricks 自動ログを示しています。 追跡情報は自動的にキャプチャされ、[エクスペリメントの実行] サイドバーと MLflow UI に表示されます。

自動ロギングの例

要件

  • Databricks Autologging は、Databricks Runtime 10.4 LTS 機械学習以降を使用するすべてのリージョンで一般公開されています。

  • Databricks 自動ログ記録は、 Databricks Runtime 9.1 LTS ML以降の一部のプレビュー リージョンで使用できます。

仕組み

対話型の Python ノートブックを Databricks クラスターにアタッチすると、Databricks 自動ログによって mlflow.autolog() が呼び出され、モデル トレーニング セッションの追跡が設定されます。 ノートブックでモデルをトレーニングすると、モデルのトレーニング情報は MLflow 追跡を使用して自動的に追跡されます。 このモデルのトレーニング情報をセキュリティで保護および管理する方法については、「 セキュリティとデータマネジメント」を参照してください。

mlflow.autolog() のデフォルト設定 呼び出しは:

mlflow.autolog(
    log_input_examples=False,
    log_model_signatures=True,
    log_models=True,
    disable=False,
    exclusive=False,
    disable_for_unsupported_versions=True,
    silent=False
)

自動ロギング構成をカスタマイズできます。

使い

Databricks 自動ログ記録を使用するには、対話型の Databricks Python ノートブックを使用して、 サポートされているフレームワーク で機械学習モデルをトレーニングします。 Databricks の自動ログ記録では、モデル系列の情報、パラメーター、およびメトリクスが MLflow 追跡に自動的に記録されます。 Databricks 自動ログの動作をカスタマイズすることもできます。

注

Databricks 自動ログは、 mlflow.start_run() で MLflow fluent API を使用して作成された実行には適用されません。 このような場合は、 mlflow.autolog() を呼び出して、自動ログ記録されたコンテンツを MLflow 実行に保存する必要があります。 追加コンテンツの追跡を参照してください。

ログ記録の動作 をカスタマイズする

ロギングをカスタマイズするには、 mlflow.autolog() を使用します。 この関数は、モデル ログを有効にする (log_models)、入力例を収集する (log_input_examples)、警告を構成する (silentなどを行うための構成パラメーターを提供します。

追加コンテンツ を追跡する

Databricks 自動ログによって作成された MLflow の実行を使用して追加のメトリクス、パラメーター、ファイル、メタデータを追跡するには、Databricks 対話型の Python ノートブックで次の手順に従います。

  1. mlflow.autolog() を呼び出します。 exclusive=Falseで.

  2. mlflow.start_run() を使用して MLflow の実行を開始します。この呼び出しを with mlflow.start_run()でラップできます。これを行うと、実行は完了後に自動的に終了します。

  3. MLflow 追跡メソッド(mlflow.log_param()) など) を使用して、トレーニング前のコンテンツを追跡します。

  4. トレーニングする Databricks 自動ログでサポートされているフレームワーク内の 1 つ以上の機械学習モデル。

  5. MLflow 追跡メソッド(mlflow.log_metric()) など) を使用して、トレーニング後のコンテンツを追跡します。

  6. ステップ 2 で with mlflow.start_run() を使用しなかった場合は、 mlflow.end_run() を使用して MLflow の実行を終了します。

例：

import mlflow
mlflow.autolog(exclusive=False)

with mlflow.start_run():
  mlflow.log_param("example_param", "example_value")
  # <your model training code here>
  mlflow.log_metric("example_metric", 5)

Databricks 自動ロギング を無効にする

Databricks 対話型の Python ノートブックで Databricks の自動ログ記録を無効にするには、 mlflow.autolog() を呼び出します。 disable=True付き:

import mlflow
mlflow.autolog(disable=True)

管理者は、 管理設定ページの[ 詳細設定 ] タブから、ワークスペース内のすべてのクラスターの Databricks 自動ログを無効にすることもできます。この変更を有効にするには、クラスターを再起動する必要があります。

サポートされている環境とフレームワーク

Databricks の自動ログ記録は、対話型の Python ノートブックでサポートされており、次の機械学習フレームワークで使用できます。

  • Scikit-Learn

  • Apache Spark MLlib

  • TensorFlow

  • Keras

  • PyTorch ライトニング

  • XGBoost

  • ライトGBM

  • グルーオン

  • 速い。AI (バージョン 1.x)

  • 統計モデル。

サポートされている各フレームワークの詳細については、「 MLflow の自動ログ記録」を参照してください。

セキュリティとデータマネジメント

Databricks Autologging で追跡されたすべてのモデル トレーニング情報はMLflow Tracking に保存され、 MLflowエクスペリメントのアクセス許可によって保護されます。 MLflow Tracking APIまたは UI を使用して、モデル トレーニング情報を共有、変更、または削除できます。

行政

管理者は、 管理設定ページの [ 詳細設定 ]タブで、ワークスペース全体のすべての対話型ノートブック セッションの Databricks 自動ログを有効または無効にできます。変更は、クラスターが再起動されるまで有効になりません。

制限

  • Databricks 自動ロギングは、 Databricks ジョブではサポートされていません。 ジョブから自動ロギングを使用するには、 明示的に mlflow.autolog() を呼び出します。

  • データブリックの自動ログ記録は、Databricks クラスターのドライバー ノードでのみ有効になります。 ワーカーノードから自動ロギングを使用するには、 明示的に mlflow.autolog() を呼び出す必要があります。 各ワーカーで実行されているコード内から。

  • XGBoost Scikit-Learn 統合はサポートされていません。

Apache Spark MLlib、Hyperopt、および自動 MLflow トラッキング

Databricks 自動ログは、 Apache Spark MLlib および Hyperopt の既存の自動 MLflow 追跡統合の動作を変更しません。

注

Databricks Runtime 10.1 機械学習では、Apache Spark 機械学習lib CrossValidator および TrainValidationSplit モデルの自動機械学習フロー追跡統合を無効にすると、すべての Apache Spark 機械学習lib モデルのデータブリック自動ログ機能も無効になります。