记录并查看指标和日志文件 v1

Artículo
08/29/2024

适用于：Python SDK azureml v1

使用默认的 Python 日志记录包和 Azure 机器学习 Python SDK 特有的功能来记录实时信息。你可以在本地进行记录，并将日志发送到门户中的工作区。

日志可帮助你诊断错误和警告，或跟踪参数和模型性能等性能指标。本文介绍如何在以下场景中启用日志记录功能：

记录运行指标
交互式训练会话
使用 ScriptRunConfig 提交训练作业
Python 的原生 logging 设置
来自其他源的日志记录

提示

本文说明如何监视模型训练过程。如果你希望监视 Azure 机器学习的资源使用情况和事件，例如配额、已完成的训练运行或已完成的模型部署，请参阅监视 Azure 机器学习。

数据类型

可以记录多个数据类型，包括标量值、列表、表、图像、目录等。有关不同数据类型的详细信息和 Python 代码示例，请查看 Run 类参考页。

运行指标日志记录

使用日志记录 API 中的以下方法可影响指标可视化效果。请注意这些记录的指标的服务限制。

记录的值	示例代码	门户中的格式
记录一组数值	`run.log_list(name='Fibonacci', value=[0, 1, 1, 2, 3, 5, 8, 13, 21, 34, 55, 89])`	单变量折线图
使用重复使用的相同指标名称记录单个数值（例如在 for 循环中）	`for i in tqdm(range(-10, 10)): run.log(name='Sigmoid', value=1 / (1 + np.exp(-i))) angle = i / 2.0`	单变量折线图
重复记录包含 2 个数字列的行	`run.log_row(name='Cosine Wave', angle=angle, cos=np.cos(angle)) sines['angle'].append(angle) sines['sine'].append(np.sin(angle))`	双变量折线图
记录包含 2 个数字列的表	`run.log_table(name='Sine Wave', value=sines)`	双变量折线图
日志图像	`run.log_image(name='food', path='./breadpudding.jpg', plot=None, description='desert')`	使用此方法在运行中记录图像文件或 matplotlib 图。运行记录中可显示和比较这些图像

用 MLflow 进行日志记录

建议使用 MLflow 来记录模型、指标和项目，因为它是开源的，并且支持从本地移植到云。下表和代码示例演示了如何使用 MLflow 来记录训练运行中的指标和项目。详细了解 MLflow 的日志记录方法和设计模式。

请确保将 mlflow 和 azureml-mlflow pip 包安装到工作区。

pip install mlflow
pip install azureml-mlflow

将 MLflow 跟踪 URI 设置为指向 Azure 机器学习后端，以确保将指标和项目记录到工作区。

from azureml.core import Workspace
import mlflow
from mlflow.tracking import MlflowClient

ws = Workspace.from_config()
mlflow.set_tracking_uri(ws.get_mlflow_tracking_uri())

mlflow.create_experiment("mlflow-experiment")
mlflow.set_experiment("mlflow-experiment")
mlflow_run = mlflow.start_run()

记录的值	示例代码	说明
记录数值（int 或 float）	`mlflow.log_metric('my_metric', 1)`
记录布尔值	`mlflow.log_metric('my_metric', 0)`	0 = True，1 = False
记录字符串	`mlflow.log_text('foo', 'my_string')`	记录为项目
记录 numpy 指标或 PIL 图像对象	`mlflow.log_image(img, 'figure.png')`
记录 matplotlib 绘图或图像文件	`mlflow.log_figure(fig, "figure.png")`

通过 SDK 查看运行指标

可以使用 run.get_metrics() 查看训练的模型的指标。

from azureml.core import Run
run = Run.get_context()
run.log('metric-name', metric_value)

metrics = run.get_metrics()
# metrics is of type Dict[str, List[float]] mapping metric names
# to a list of the values for that metric in the given run.

metrics.get('metric-name')
# list of metrics in the order they were recorded

还可以通过运行对象的数据和信息属性，使用 MLflow 来访问运行信息。有关详细信息，请参阅 MLflow.entities.Run 对象文档。

在该运行完成后，可以使用 MlFlowClient () 来检索它。

from mlflow.tracking import MlflowClient

# Use MlFlow to retrieve the run that was just completed
client = MlflowClient()
finished_mlflow_run = MlflowClient().get_run(mlflow_run.info.run_id)

可以在运行对象的数据字段中查看该运行的指标、参数和标记。

metrics = finished_mlflow_run.data.metrics
tags = finished_mlflow_run.data.tags
params = finished_mlflow_run.data.params

注意

mlflow.entities.Run.data.metrics 下的指标字典只返回某个给定指标名称的最近记录的值。例如，如果按顺序依次将 1、2、3、4 记录到名为 sample_metric 的指标，则在 sample_metric 的指标字典中只会存在 4。

若要获取为某个特定指标名称记录的所有指标，可以使用 MlFlowClient.get_metric_history()。

在工作室 UI 中查看运行指标

可以在 Azure 机器学习工作室中浏览已完成的运行记录，包括记录的指标。

导航到“试验”选项卡。若要查看工作区中各个试验的所有运行，请选择“所有运行”选项卡。可应用顶部菜单栏中的“试验”筛选器来深入了解特定试验的运行。

对于各个试验视图，请选择“所有试验”选项卡。在“试验运行”仪表板中，可以看到为每次运行跟踪的指标和日志。

还可以编辑“运行列表”表，以选择多个运行并显示运行的最新记录值、最小记录值或最大记录值。自定义自己的图表，以比较多个运行上的已记录指标值和聚合。你可以在图表的 y 轴上绘制多个指标，并自定义 x 轴以绘制记录的指标。

查看并下载运行用的日志文件

日志文件是用于调试 Azure 机器学习工作负载的重要资源。提交训练作业后，向下钻取到特定运行以查看其日志和输出：

导航到“试验”选项卡。
选择特定运行的 runID。
选择页面顶部的“输出和日志”。
选择“全部下载”，将所有日志下载到 zip 文件夹中。
还可以通过选择日志文件并选择“下载”来下载单个日志文件

运行用“输出和日志”部分的屏幕截图。

user_logs 文件夹

此文件夹包含有关用户生成的日志的信息。此文件夹默认打开，并选择 std_log.txt 日志。 std_log.txt 是代码日志（例如，打印语句）出现的位置。此文件包含来自控制脚本和训练脚本的 stdout 日志和 stderr 日志，每个进程一个日志。大多数情况下，你都将在此处监视日志。

system_logs 文件夹

此文件夹包含 Azure 机器学习生成的日志，默认情况下将关闭。系统生成的日志会根据运行时作业的阶段分组到不同的文件夹中。

其他文件夹

对于多个计算群集上的作业训练，将会针对每个节点 IP 提供日志。每个节点的结构都与单节点作业相同。对于总体执行、stderr 和 stdout 日志，还有一个额外的日志文件夹。

Azure 机器学习会在训练期间记录来自各种源的信息，例如运行训练作业的 AutoML 或 Docker 容器。其中的许多日志没有详细的阐述。如果遇到问题且联系了 Azure 支持部门，他们可以在排除故障时使用这些日志。

交互式日志记录会话

交互式日志记录会话通常用在笔记本环境中。方法 Experiment.start_logging() 启动交互式日志记录会话。试验中会话期间记录的任何指标都会添加到运行记录中。方法 run.complete() 结束会话并将运行标记为已完成。

ScriptRun 日志

本部分介绍使用了 ScriptRunConfig 进行配置时，如何在创建的各次运行之内添加记录代码。可以使用 ScriptRunConfig 类来封装用于可重复运行的脚本和环境。还可以使用此选项来显示一个用于监视的 Jupyter Notebooks 视觉小组件。

此示例使用 run.log() 方法对 alpha 值执行参数扫描并捕获结果。

创建包含日志记录逻辑的训练脚本 train.py。

# Copyright (c) Microsoft. All rights reserved.
# Licensed under the MIT license.

from sklearn.datasets import load_diabetes
from sklearn.linear_model import Ridge
from sklearn.metrics import mean_squared_error
from sklearn.model_selection import train_test_split
from azureml.core.run import Run
import os
import numpy as np
import mylib
# sklearn.externals.joblib is removed in 0.23
try:
    from sklearn.externals import joblib
except ImportError:
    import joblib

os.makedirs('./outputs', exist_ok=True)

X, y = load_diabetes(return_X_y=True)

run = Run.get_context()

X_train, X_test, y_train, y_test = train_test_split(X, y,
                                                    test_size=0.2,
                                                    random_state=0)
data = {"train": {"X": X_train, "y": y_train},
        "test": {"X": X_test, "y": y_test}}

# list of numbers from 0.0 to 1.0 with a 0.05 interval
alphas = mylib.get_alphas()

for alpha in alphas:
    # Use Ridge algorithm to create a regression model
    reg = Ridge(alpha=alpha)
    reg.fit(data["train"]["X"], data["train"]["y"])

    preds = reg.predict(data["test"]["X"])
    mse = mean_squared_error(preds, data["test"]["y"])
    run.log('alpha', alpha)
    run.log('mse', mse)

    model_file_name = 'ridge_{0:.2f}.pkl'.format(alpha)
    # save model in the outputs folder so it automatically get uploaded
    with open(model_file_name, "wb") as file:
        joblib.dump(value=reg, filename=os.path.join('./outputs/',
                                                     model_file_name))

    print('alpha is {0:.2f}, and mse is {1:0.2f}'.format(alpha, mse))

提交要在用户管理的环境中运行的 train.py 脚本。整个脚本文件夹都要提交，以便进行训练。
```
from azureml.core import ScriptRunConfig

src = ScriptRunConfig(source_directory='./', script='train.py', environment=user_managed_env)
```
```
run = exp.submit(src)
```
show_output 参数会启用详细日志记录，让你可以查看训练过程的详细信息，以及有关任何远程资源或计算目标的信息。请使用以下代码在提交试验时启用详细日志记录。
```
run = exp.submit(src, show_output=True)
```
还可以在生成的运行上的 wait_for_completion 函数中使用相同的参数。
```
run.wait_for_completion(show_output=True)
```

原生 Python 日志记录

SDK 中的某些日志可能包含一个错误，指示你将日志记录级别设置为“调试”。若要设置日志记录级别，请在脚本中添加以下代码。

import logging
logging.basicConfig(level=logging.DEBUG)

其他日志记录源

Azure 机器学习还可以在训练期间记录其他来源的信息，例如自动化机器学习运行或运行作业的 Docker 容器。这些日志未进行记录，但如果你遇到问题并联系了 Azure 支持部门，他们可以在排除故障时使用这些日志。

有关在 Azure 机器学习设计器中记录指标的信息，请参阅如何在设计器中记录指标

示例笔记本

下面的笔记本展示了本文中的概念：

阅读使用 Jupyter 笔记本探索此服务一文，了解如何运行笔记本。

后续步骤

请参阅以下文章，详细了解如何使用 Azure 机器学习：

查看教程使用 Azure 机器学习训练图像分类模型中的示例，了解如何注册和部署最佳模型。

Compartir a través de