Acesse o servidor de acompanhamento MLflow de fora do Databricks
Você pode querer logs no servidor de acompanhamento do MLflow a partir de seus próprios aplicativos ou da CLI do MLflow.
Este artigo descreve as passos de configuração necessárias. comece instalando o MLflow e configurando suas credenciais (passo 1). Você pode configurar um aplicativo (passo 2) ou configurar a CLI do MLflow (passo 3).
Para obter informações sobre como iniciar e log em um servidor de acompanhamento de código aberto, consulte a documentação doMLflow código aberto.
passo 1: Configurar seu ambiente
Se o senhor não tiver um Databricks account, poderá experimentar o Databricks gratuitamente. Veja Get começar com Databricks.
Para configurar seu ambiente para acessar seu servidor de acompanhamento MLflow hospedado no Databricks:
Instale o MLflow usando
pip install mlflow
.Configure a autenticação de acordo com sua inscrição no Databricks.
Community Edition. Faça um dos seguintes:
(Recomendado) Use
mlflow.login()
para que suas credenciais sejam solicitadas.import mlflow mlflow.login()
A seguir está um exemplo de resposta. Se a autenticação for bem-sucedida, você verá a mensagem “Assinado com sucesso no Databricks!”.
2023/10/25 22:59:27 ERROR mlflow.utils.credentials: Failed to sign in Databricks: default auth: cannot configure default credentials Databricks Host (should begin with https://): https://community.cloud.databricks.com/ Username: weirdmouse@gmail.com Password: ·········· 2023/10/25 22:59:38 INFO mlflow.utils.credentials: Successfully signed in Databricks!
Especifique as credenciais usando a variável de ambiente:
# Configure MLflow to communicate with a Databricks-hosted tracking server export MLFLOW_TRACKING_URI=databricks # Specify your Databricks username & password export DATABRICKS_USERNAME="..." export DATABRICKS_PASSWORD="..."
Plataforma Databricks. Faça um de:
Gere um REST API tokens e crie seu arquivo de credenciais usando
databricks configure --token
.Especifique as credenciais usando a variável de ambiente:
# Configure MLflow to communicate with a Databricks-hosted tracking server export MLFLOW_TRACKING_URI=databricks # Specify the workspace hostname and token export DATABRICKS_HOST="..." export DATABRICKS_TOKEN="..."
passo 2: configurar aplicativos MLflow
Configure os aplicativos MLflow para logs no Databricks definindo o URI de acompanhamento como databricks
ou databricks://<profileName>
, se você especificou um nome de perfil por meio de --profile
ao criar seu arquivo de credenciais. Por exemplo, você pode fazer isso definindo a variável de ambiente MLFLOW_TRACKING_URI
como “databricks”.
passo 3: Configurar a CLI do MLflow
Configure a CLI do MLflow para se comunicar com um servidor de acompanhamento Databricks com a variável de ambiente MLFLOW_TRACKING_URI
. Por exemplo, para criar um experimento usando a CLI com o acompanhamento URI databricks
, execução:
# Replace <your-username> with your Databricks username
export MLFLOW_TRACKING_URI=databricks
mlflow experiments create -n /Users/<your-username>/my-experiment