Databricks 自动日志记录

Databricks 自动日志记录是一种无代码解决方案,它扩展了 MLflow 自动日志记录 以为 Azure Databricks 上的机器学习训练会话提供自动试验跟踪。

使用 Databricks 自动日志记录,训练各种热门机器学习库中的模型时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,从而可以轻松地将这些文件记录到 MLflow 模型注册表,并通过模型服务部署它们进行实时评分。

注意

若要为生成式 AI 工作负载启用跟踪日志记录,MLflow 支持 OpenAI 自动记录

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。

自动日志记录示例

要求

  • 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。

工作原理

将交互式 Python 笔记本附加到 Azure Databricks 群集时,Databricks 日志记录调用 mlflow.autolog() 为模型训练会话设置跟踪。 在笔记本中训练模型时,使用 MLflow 跟踪自动跟踪模型训练信息。 有关如何保护和管理此模型训练信息的信息,请参阅安全性和数据管理

mlflow.autolog() 调用的默认配置是:

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

可以自定义自动日志记录配置

使用情况

如果要使用 Databricks 自动日志记录,可以使用交互式 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

注意

Databricks 自动日志记录不适用于使用 MLflow fluent API 以及 mlflow.start_run() 创建的运行。 在这些情况下,必须调用 mlflow.autolog() 以将自动记录的内容保存到 MLflow 运行。 请参阅跟踪其他内容

自定义日志记录行为

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。

跟踪其他内容

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. 使用 exclusive=False 调用 mlflow.autolog()
  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() 跟踪训练前内容。
  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(),跟踪训练后内容。
  6. 如果未在步骤 2 中使用 with mlflow.start_run(),可以使用 mlflow.end_run() 结束 MLflow 运行。

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)

禁用 Databricks 自动日志记录

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 disable=True 来调用 mlflow.autolog()

import mlflow
mlflow.autolog(disable=True)

管理员还可从管理员设置页“高级”选项卡中禁用工作区中所有群集的 Databricks 自动日志记录。 必须重启群集,此更改才能生效。

支持的环境和框架

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

有关每个受支持框架的详细信息,请参阅 MLflow 自动日志记录

MLflow 跟踪启用

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()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:

安全性和数据管理

使用 Databricks 自动日志记录跟踪的所有模型训练信息都存储在 MLflow 跟踪中,并受 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

管理员可以在管理员设置页的“高级”选项卡中为工作区的所有交互式笔记本会话启用或禁用 Databricks 自动日志记录。 在重启群集之前,更改不会生效。

限制

  • Azure Databricks 作业不支持 Databricks 自动日志记录。 若要从作业中使用自动日志记录,可以显式调用 mlflow.autolog()
  • Databricks 自动日志记录仅在 Azure Databricks 群集的驱动程序节点上启用。 若要从工作器节点使用自动日志记录,必须从在每个工作器上执行的代码内显式调用 mlflow.autolog()
  • 不支持 XGBoost scikit-learn 集成。

Apache Spark MLlib、Hyperopt 和自动 MLflow 跟踪

Databricks 自动日志记录不会更改适用于 Apache Spark MLlibHyperopt 的现有自动 MLflow 跟踪集成的行为。

注意

在 Databricks Runtime 10.1 ML 中,禁用适用于 Apache Spark MLlib CrossValidatorTrainValidationSplit 模型的自动 MLflow 跟踪集成也会禁用适用于所有 Apache Spark MLlib 模型的 Databricks 自动日志记录功能。