Databricks 自动日志记录

本页介绍如何自定义 Databricks Autologging，在从各种热门机器学习库训练模型时，该日志会自动捕获模型参数、指标、文件和世系信息。 训练会话记录为 MLflow 跟踪运行。 还会跟踪模型文件，以便可以轻松地将它们记录到 MLflow 模型注册表。

以下视频演示了在交互式 Python 笔记本中通过 scikit-learn 模型训练会话进行 Databricks 自动日志记录。 跟踪信息会自动捕获并显示在“试验运行”边栏和 MLflow UI 中。

• Databricks Autologging 已在所有具有 Databricks Runtime 10.4 LTS ML 或更高版本的区域中正式发布。
• Databricks Autologging 已在一些选定的具有 Databricks Runtime 9.1 LTS ML 或更高版本的预览版区域中正式发布。

将交互式 Python 笔记本附加到 Azure Databricks 群集时，Databricks Autologging 会调用 mlflow.autolog（） 来设置模型训练会话的跟踪。 当您在笔记本中训练模型时，MLflow 跟踪会自动记录模型训练信息。 有关如何保护和管理此模型训练信息的信息，请参阅 安全和数据管理。

mlflow.autolog（） 调用的默认配置为：

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

可以 自定义自动记录配置。

若要使用 Databricks Autologging，请使用交互式 Azure Databricks Python 笔记本在 支持的框架 中训练机器学习模型。 Databricks 自动日志记录会将模型世系信息、参数和指标自动记录到 MLflow 跟踪。 还可以自定义 Databricks 自动日志记录的行为。

若要自定义日志记录，请使用 mlflow.autolog（）。 此函数提供配置参数，用于启用模型日志记录 (log_models)、日志数据集 (log_datasets)、收集输入示例 (log_input_examples)、日志模型签名 (log_model_signatures)、配置警告 (silent) 等。

若要使用 Databricks 自动日志记录创建的 MLflow 运行跟踪其他指标、参数、文件和元数据，请按照以下 Azure Databricks 交互式 Python 笔记本中的步骤操作：

1. 调用 mlflow.autolog（）

   使用 exclusive=False。

2. 使用 mlflow.start_run（）启动 MLflow 运行。

   可以在 with mlflow.start_run() 中包装此调用；执行此操作时，运行会在完成后自动结束。

3. 使用 MLflow 跟踪方法，例如

   mlflow.log_param（），用于跟踪预训练内容。

4. 在 Databricks 自动日志记录支持的框架中训练一个或多个机器学习模型。

5. 使用 MLflow 跟踪方法，例如

   mlflow.log_metric（），用于跟踪训练后的内容。

6. 如果未在步骤 2 中使用 with mlflow.start_run()，可以结束 MLflow 运行，方法是使用

   mlflow.end_run（）.

例如：

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)

若要在 Azure Databricks 交互式 Python 笔记本中禁用 Databricks 自动日志记录，请使用 来调用 disable=True：

import mlflow
mlflow.autolog(disable=True)

管理员还可以从管理员设置页的“高级”选项卡为工作区中的所有群集禁用 Databricks 自动记录。 必须重启群集，此更改才能生效。

Databricks 自动日志记录在交互式 Python 笔记本中受支持且可用于以下 ML 框架：

• scikit-learn
• Apache Spark MLlib
• TensorFlow
• Keras
• PyTorch Lightning
• XGBoost
• LightGBM
• Gluon
• Fast.ai
• statsmodels
• PaddlePaddle
• OpenAI
• LangChain

有关每个受支持的框架的详细信息，请参阅 MLflow 自动日志记录。

MLflow 跟踪利用相应模型框架集成中的 autolog 功能，控制对支持跟踪的集成的跟踪支持的启用或禁用。

例如，若要在使用 LlamaIndex 模型时启用跟踪，请使用 mlflow.llama_index.autolog（） 和 log_traces=True：

import mlflow
mlflow.llama_index.autolog(log_traces=True)

在其自动日志实现中启用跟踪的受支持集成包括：

• OpenAI
• LangChain
• LangGraph
• LlamaIndex
• AutoGen

使用 Databricks Autologging 跟踪跟踪的所有模型训练信息都存储在 MLflow 跟踪中，并由 MLflow 试验权限保护。 可以使用 MLflow 跟踪 API 或 UI 共享、修改或删除模型训练信息。

管理员可以在其工作区的“管理员设置”页的“高级”选项卡中启用或禁用所有交互式笔记本会话的 Databricks 自动记录。 在重启群集之前，更改不会生效。

• Databricks 自动日志记录仅在 Azure Databricks 群集的驱动程序节点上启用。 若要在工作节点上使用自动记录，必须在每个工作节点运行的代码中明确调用 mlflow.autolog()。
• 不支持 XGBoost scikit-learn 集成。

Databricks Autologging 不会更改 Apache Spark MLlib 和 Hyperopt 的现有自动 MLflow 跟踪集成的行为。