试验 MLflow 查询并比较试验和运行

可以使用 MLflow 查询 Azure 机器学习中的试验和作业（或运行）。 无需安装任何特定的 SDK 即可管理训练作业内部发生的情况，通过删除特定于云的依赖项，在本地运行和云之间创建更无缝的过渡。 本文将介绍如何使用 Azure 机器学习和采用 Python 语言的 MLflow SDK 在工作区中查询和比较试验与运行。

使用 MLflow 可以：

• 在工作区中创建、查询、删除和搜索试验。
• 在工作区中查询、删除和搜索运行。
• 跟踪和检索运行中的指标、参数、项目和模型。

有关在连接到 Azure 机器学习时 MLflow 开源和 MLflow 之间的详细比较，请参阅在 Azure 机器学习中查询运行和试验的支持矩阵。

还可以使用 MLflow REST API 查询和搜索试验与运行。 请参阅将 MLflow REST 与 Azure 机器学习配合使用，获取使用示例。

先决条件

• 如下所示，安装 MLflow SDK mlflow 包和适用于 MLflow 的 Azure 机器学习 azureml-mlflow 插件。

  pip install mlflow azureml-mlflow
  

  提示

  可以使用 mlflow-skinny 包，它是一个不带 SQL 存储、服务器、UI 或数据科学依赖项的轻型 MLflow 包。 对于主要需要 MLflow 的跟踪和记录功能但不需要导入整个功能套件（包括部署）的用户，建议使用此包。

• 创建 Azure 机器学习工作区。 若要创建工作区，请参阅创建入门所需的资源。 查看在工作区中执行 MLflow 操作所需的访问权限。

• 若要执行远程跟踪，或者跟踪在 Azure 机器学习外部运行的试验，请将 MLflow 配置为指向 Azure 机器学习工作区的跟踪 URI。 有关如何将 MLflow 连接到工作区的详细信息，请参阅为 Azure 机器学习配置 MLflow。

查询和搜索试验

使用 MLflow 在工作区内搜索试验。 请看以下示例：

• 获取所有活动的试验：

  mlflow.search_experiments()
  

  注意

  在旧版本的 MLflow (<2.0) 中，请改用 mlflow.list_experiments() 方法。

• 获取所有试验，包括存档的：

  from mlflow.entities import ViewType
  
  mlflow.search_experiments(view_type=ViewType.ALL)
  

• 按名称获取特定试验：

  mlflow.get_experiment_by_name(experiment_name)
  

• 按 ID 获取特定试验：

  mlflow.get_experiment('1234-5678-90AB-CDEFG')
  

搜索试验

自 Mlflow 2.0 起提供的 search_experiments() 方法允许使用 filter_string 来搜索与条件匹配的试验。

• 根据 ID 检索多个试验：

  mlflow.search_experiments(filter_string="experiment_id IN ("
      "'CDEFG-1234-5678-90AB', '1234-5678-90AB-CDEFG', '5678-1234-90AB-CDEFG')"
  )
  

• 检索在给定时间后创建的所有试验：

  import datetime
  
  dt = datetime.datetime(2022, 6, 20, 5, 32, 48)
  mlflow.search_experiments(filter_string=f"creation_time > {int(dt.timestamp())}")
  

• 检索具有给定标记的所有试验：

  mlflow.search_experiments(filter_string=f"tags.framework = 'torch'")
  

查询和搜索运行

MLflow 允许搜索任何试验中的运行，包括同时进行的多个试验。 方法 mlflow.search_runs() 接受参数 experiment_ids 和 experiment_name 以指示要搜索的试验。 如果你想要搜索工作区中的所有试验，也可以指示 search_all_experiments=True：

• 按试验名称：

  mlflow.search_runs(experiment_names=[ "my_experiment" ])
  

• 按试验 ID：

  mlflow.search_runs(experiment_ids=[ "1234-5678-90AB-CDEFG" ])
  

• 搜索工作区中的所有试验：

  mlflow.search_runs(filter_string="params.num_boost_round='100'", search_all_experiments=True)
  

请注意，experiment_ids 支持提供试验数组，因此你可以根据需要搜索多个试验中的运行。 如果你想要比较记录在不同试验中（例如，按不同的人员、不同的项目迭代）的同一模型的运行，此方法可能会很有用。

默认情况下，MLflow 以 Pandas Dataframe 格式返回数据，在进一步处理运行分析时，这种格式非常方便。 返回的数据包括具有以下内容的列：

• 有关运行的基本信息。
• 列名称为 params.<parameter-name> 的参数。
• 列名称为 metrics.<metric-name> 的指标（每个指标的上次记录值）。

查询运行时也会返回所有指标和参数。 但是，对于包含多个值的指标（例如损失曲线或 PR 曲线），只会返回最后一个指标值。 如果你想要检索给定指标的所有值，请使用 mlflow.get_metric_history 方法。 如需示例，请参阅从运行中获取参数和指标。

将运行排序

默认情况下，试验按 start_time（试验在 Azure 机器学习中排队的时间）降序排序。 但是，可以使用参数 order_by 更改此默认设置。

• 按属性对运行排序，如 start_time：

  mlflow.search_runs(experiment_ids=[ "1234-5678-90AB-CDEFG" ],
                     order_by=["attributes.start_time DESC"])
  

• 对运行进行排序并限制结果。 以下示例返回试验中的最后一次运行：

  mlflow.search_runs(experiment_ids=[ "1234-5678-90AB-CDEFG" ], 
                     max_results=1, order_by=["attributes.start_time DESC"])
  

• 按特性 duration 为运行排序：

  mlflow.search_runs(experiment_ids=[ "1234-5678-90AB-CDEFG" ], 
                     order_by=["attributes.duration DESC"])
  

  提示

  attributes.duration 在 MLflow OSS 中不存在，但为方便起见，Azure 机器学习中提供了它。

• 按指标值为运行排序：

  mlflow.search_runs(experiment_ids=[ "1234-5678-90AB-CDEFG" ]).sort_values("metrics.accuracy", ascending=False)
  

  警告

  目前不支持对参数 order_by 中包含 metrics.*、params.* 或 tags.* 的表达式使用 order_by。 请在 Pandas 中改用 order_values 方法，如示例中所示。

筛选运行

还可以使用参数 filter_string 通过超参数的特定组合查找运行。 使用 params 访问运行的参数、使用 metrics 访问在运行中记录的指标，使用 attributes 访问运行详细信息。 MLflow 支持由 AND 关键字联接的表达式（该语法不支持 OR）：

• 基于参数值搜索运行：

  mlflow.search_runs(experiment_ids=[ "1234-5678-90AB-CDEFG" ], 
                     filter_string="params.num_boost_round='100'")
  

  警告

  仅运算符 =、like、!= 支持筛选 parameters。

• 基于指标值搜索运行：

  mlflow.search_runs(experiment_ids=[ "1234-5678-90AB-CDEFG" ], 
                     filter_string="metrics.auc>0.8")
  

• 搜索具有给定标记的运行：

  mlflow.search_runs(experiment_ids=[ "1234-5678-90AB-CDEFG" ], 
                     filter_string="tags.framework='torch'")
  

• 搜索由给定用户创建的运行：

  mlflow.search_runs(experiment_ids=[ "1234-5678-90AB-CDEFG" ], 
                     filter_string="attributes.user_id = 'John Smith'")
  

• 搜索失败的运行。 要查看可能的值，请参阅按状态筛选运行：

  mlflow.search_runs(experiment_ids=[ "1234-5678-90AB-CDEFG" ], 
                     filter_string="attributes.status = 'Failed'")
  

• 搜索在给定时间后创建的运行：

  import datetime
  
  dt = datetime.datetime(2022, 6, 20, 5, 32, 48)
  mlflow.search_runs(experiment_ids=[ "1234-5678-90AB-CDEFG" ], 
                     filter_string=f"attributes.creation_time > '{int(dt.timestamp())}'")
  

  提示

  对于键 attributes，值应始终为字符串，所以应在引号之间编码。

• 搜索花费了一小时以上的运行：

  duration = 360 * 1000 # duration is in milliseconds
  mlflow.search_runs(experiment_ids=[ "1234-5678-90AB-CDEFG" ], 
                     filter_string=f"attributes.duration > '{duration}'")
  

  提示

  attributes.duration 在 MLflow OSS 中不存在，但为方便起见，Azure 机器学习中提供了它。

• 搜索在给定集中具有 ID 的运行：

  mlflow.search_runs(experiment_ids=[ "1234-5678-90AB-CDEFG" ], 
                     filter_string="attributes.run_id IN ('1234-5678-90AB-CDEFG', '5678-1234-90AB-CDEFG')")
  

按状态筛选运行

按状态筛选运行时，MLflow 会使用不同于 Azure 机器学习的约定来命名运行的不同的可能状态。 下表列出了可能的值：

Azure 机器学习作业状态	MLFlow 的 attributes.status	含义
未开始	Scheduled	作业/运行由 Azure 机器学习收到。
队列	Scheduled	作业/运行已计划运行，但尚未开始。
备餐中	Scheduled	作业/运行尚未启动，但已为其执行分配了计算，并且正在准备环境及其输入。
正在运行	Running	作业/运行当前正在执行。
已完成	Finished	作业/运行已完成且未出错。
已失败	Failed	作业/运行已完成但出错。
已取消	Killed	作业/运行已被用户取消或被系统终止。

示例：

mlflow.search_runs(experiment_ids=[ "1234-5678-90AB-CDEFG" ], 
                   filter_string="attributes.status = 'Failed'")

获取指标、参数、项目和模型

默认情况下，search_runs 方法返回包含有限数量信息的 Pandas Dataframe。 如果需要，可以获取 Python 对象，这可能有助于获取有关它们的详细信息。 使用 output_format 参数控制输出的返回方式：

runs = mlflow.search_runs(
    experiment_ids=[ "1234-5678-90AB-CDEFG" ],
    filter_string="params.num_boost_round='100'",
    output_format="list",
)

然后可以从 info 成员访问详细信息。 以下示例演示如何获取 run_id：

last_run = runs[-1]
print("Last run ID:", last_run.info.run_id)

获取运行中的参数和指标

使用 output_format="list" 返回运行后，可以使用键 data 轻松访问参数：

last_run.data.params

可以采用同样的方式查询指标：

last_run.data.metrics

对于包含多个值的指标（例如损失曲线或 PR 曲线），只会返回上次记录的指标值。 如果你想要检索给定指标的所有值，请使用 mlflow.get_metric_history 方法。 此方法要求使用 MlflowClient：

client = mlflow.tracking.MlflowClient()
client.get_metric_history("1234-5678-90AB-CDEFG", "log_loss")

获取运行中的项目

MLflow 可以查询某个运行所记录的任何项目。 无法使用运行对象本身访问项目，应改用 MLflow 客户端：

client = mlflow.tracking.MlflowClient()
client.list_artifacts("1234-5678-90AB-CDEFG")

上述方法会列出运行中记录的所有项目，但这些项目仍然存储在项目存储（Azure 机器学习存储）中。 若要下载其中任何一个项目，请使用方法 download_artifact：

file_path = mlflow.artifacts.download_artifacts(
    run_id="1234-5678-90AB-CDEFG", artifact_path="feature_importance_weight.png"
)

获取运行中的模型

模型也可以记录在运行中，然后直接从运行中检索。 若要检索模型，需要知道其存储所在的项目的路径。 可以使用方法 list_artifacts 查找表示模型的项目，因为 MLflow 模型始终是文件夹。 可以使用 download_artifact 方法并指定模型的存储路径来下载模型：

artifact_path="classifier"
model_local_path = mlflow.artifacts.download_artifacts(
  run_id="1234-5678-90AB-CDEFG", artifact_path=artifact_path
)

然后，可以使用特定风格命名空间中的典型函数 load_model 从下载的项目中加载模型。 下面的示例使用 xgboost：

model = mlflow.xgboost.load_model(model_local_path)

MLflow 还允许通过一条指令中同时执行这两项操作：下载和加载模型。 MLflow 将模型下载到临时文件夹，并从中加载它。 方法 load_model 使用 URI 格式来指示必须从何处检索模型。 加载运行中的模型时，URI 结构如下：

model = mlflow.xgboost.load_model(f"runs:/{last_run.info.run_id}/{artifact_path}")

获取子（嵌套）运行

MLflow 支持子（嵌套）运行的概念。 如果你需要衍生训练例程，而这些例程必须独立于主训练进程进行跟踪，则这些运行非常有用。 超参数优化优化过程或 Azure 机器学习管道是生成多个子运行的作业的典型示例。 可以使用属性标记 mlflow.parentRunId（包含父运行的运行 ID）查询特定运行的所有子运行。

hyperopt_run = mlflow.last_active_run()
child_runs = mlflow.search_runs(
    filter_string=f"tags.mlflow.parentRunId='{hyperopt_run.info.run_id}'"
)

运行和试验查询支持矩阵

MLflow SDK 公开了多种检索运行的方法，包括用于控制返回内容和返回方式的选项。 使用下表来了解在连接到 Azure 机器学习后 MLflow 当前支持其中的哪些方法：

Feature	受 MLflow 支持	受 Azure 机器学习支持
按属性将运行排序	✓	✓
按指标将运行排序	✓	1
按参数将运行排序	✓	1
按标记将运行排序	✓	1
按属性筛选运行	✓	✓
按指标筛选运行	✓	✓
按包含特殊字符（已转义）的指标筛选运行	✓
按参数筛选运行	✓	✓
按标记筛选运行	✓	✓
使用数字比较运算符（指标）筛选运行，运算符包括 =、!=、>、>=、< 和 <=	✓	✓
使用字符串比较运算符（参数、标记和属性）筛选运行：= 和 !=	✓	✓2
使用字符串比较运算符（参数、标记和属性）筛选运行：LIKE/ILIKE	✓	✓
使用比较运算符 AND 筛选运行	✓	✓
使用比较运算符 OR 筛选运行
重命名试验	✓

相关内容

• 使用 MLflow 管理模型
• 使用 MLflow 部署模型