一站式机器学习开业平台 MLflow 怎么样？

程序员荒生

发布于 2022-04-02 09:05:33

2.4K00

代码可运行

文章被收录于专栏：公众号：程序员荒生公众号：程序员荒生

运行总次数：0

代码可运行

机器学习工作流程

机器学习(ML)通常需要使用广泛的数据集、数据预处理步骤和算法逻辑进行实验，以构建最优指标的模型。模型构建成功后，还需要将其部署到生产系统，监控其效果和性能，并根据新数据不断对其进行重新训练和迭代模型工作，如下：1

早期，各种算法烟花齐放，多种框架各自为政，因此，如何保障 ML 流程的生产可靠性和共通性成了一个棘手问题，具体如下：

追踪实验困难：如果只是在笔记本电脑或 Jupyter Book 上处理文件，你如何汇总数据、代码、参数和对应的结果呢？ 复现代码困难：有时候我们对代码版本和参数进行细致的保存，由于环境的不一致或某个第三方依赖包版本的不一致，换平台复现代码，通常也比较困难。 缺少统一的打包、部署模型标准：多团队协作或多深度框架协作时，都有各自的一套模型管理方式，导致不通用。 缺少模型管理Hub：缺乏统一的模型管理服务，各自维护自己的算法，重复造轮子常态化。

MLflow 解决了什么问题？

MLflow是一个用于管理 ML 生命周期的开源平台，旨在简化机器学习的开发流程，提供实验追踪、将代码打包成可重现的运行模块以及共享和部署模型功能。支持多种工具和内嵌算法，使算法开发者能更加专注于算法本身的工作。

项目架构

MLflow提供了一组轻量级 API，可用于任何现有的机器学习应用程序或库，如：TensorFlow、PyTorch、XGBoost 等。 MLflow还支持在任何环境中运行 ML 代码，如：本地笔记本电脑、独立应用程序或者云环境中 MLflow目前提供四个组件，具体如下:

MLflow Tracking

用于记录机器学习实验中的参数、代码、数据和结果，并提供交互式 UI 和 API 支持实验对比和查看。

MLflow Projects

可在任何平台上重复运行的打包格式，基于 Conda 和 Docker 构建，因此你可以很方便的与他人共享你的 ML 代码，并且可在任何平台上重复运行它们。

MLflow Models

将模型发送到各种部署工具的通用格式，支持让你轻松的将相同模型(如：来自其他任务 ML 库)部署到 Docker、Apache Spark Azure ML 和 AWS SageMaker 等平台的批处理或实时处理任务。

MLflow Registry

一个集中的模型存储库，提供了简单的 API 和UI，支持在公共存储库中存储、注释、发现和管理模型，主要用于协作管理 MLflow 模型的整个生命周期。

API 算法服务构建

Anaconda环境 搭建，可以便捷获取包且对包能够进行管理，同时对环境可以统一管理的发行版本

mlflow安装

pip install mlflow
OR
conda install mlflow

UI启动

git clone https://github.com/mlflow/mlflow.git
cd mlflow/examples
mlflow ui

模型运行

# 模型生成
python sklearn_logistic_regression/train.py

# 启动算法服务
mlflow models serve -m runs:/<Model_id>/model --port 1234
可能报错：mlflow.utils.process.ShellCommandException: Non-zero exitcode: 1
mlflow models serve -m runs:/<Model_id>/model --port 1234 --no-conda

# API 推理验证
curl -d '{"columns":["x"], "data":[[1], [-1]]}' -H 'Content-Type: application/json; format=pandas-split' -X POST localhost:1234/invocations

# 结果：[1, 0]

对于简单的输入->推理->结果场景，通过使用MLflow平台功能，我们只需要专注于train.py代码开发即可很方便的完成一个算法的训练和上线工作。

但生产场景多种多样，有时候并不仅仅是一个简单的算法API就可以满足，算法直接还可能存在层级关系、依赖关系、转换关系，我们接着往下。

流处理服务构建

API算法服务中MLflow旨在输出一个完全独立的算法服务，而流处理服务中描述了如何将多个API算法服务链接在一起，每个运行都封装一个转化或者训练步骤，定义各个流程间的接口和允许缓存和重用中间结果，如下：

该流程包含四个步骤：

Load 流程：加载数据集
ETL 流程：ETL 预处理数据集
ML 流程：ML 预处理数据集
Train流程：模型训练

具体代码参见：[3]

总结一下

优点：相比谷歌的 TFX、Facebook FBLearner Flow等平台，MLflow的创建为了统一多种深度框架训练标准和流程管理标准，立意更高。支持多种模型存储方式和软件插件机制，便于第三方集成和定制接入。缺点：当前 MLflow Pipeline 还过度依赖代码，缺少平台功能，对于快速接入生产，需要一定的学习成本。