无法停靠mlflow

Question

当停靠mlflow时，由于mlflow ui中的原因，只创建了.trash，得到的错误是“没有实验存在”。

dockerfile

FROM python:3.7.0

RUN pip install mlflow==1.0.0

WORKDIR /data

EXPOSE 5000

CMD mlflow server \
    --backend-store-uri /data/ \
    --default-artifact-root /data/ \
    --host 0.0.0.0

docker compose：

  mlflow:
    # builds track_ml Dockerfile
    build:
      context: ./mlflow_dockerfile
    expose: 
      - "5000"
    ports:
      - "5000:5000"
    volumes: 
      - ./data:/data

Answer 1

您可以使用此Dockerfile文件，它取自mlflow-workshop，它更通用，支持不同的ENV来调试和使用不同的版本。

默认情况下，它会将工件和文件存储在/opt/mlflow中。可以定义以下变量：

MLFLOW_HOME (/opt/mlflow)
MLFLOW_VERSION (0.7.0)
SERVER_PORT (5000)
SERVER_HOST (0.0.0.0)
FILE_STORE (${MLFLOW_HOME}/fileStore)
ARTIFACT_STORE (${MLFLOW_HOME}/artifactStore)

Dockerfile

FROM python:3.7.0
LABEL maintainer="Albert Franzi"

ENV MLFLOW_HOME /opt/mlflow
ENV MLFLOW_VERSION 0.7.0
ENV SERVER_PORT 5000
ENV SERVER_HOST 0.0.0.0
ENV FILE_STORE ${MLFLOW_HOME}/fileStore
ENV ARTIFACT_STORE ${MLFLOW_HOME}/artifactStore

RUN pip install mlflow==${MLFLOW_VERSION} && \
    mkdir -p ${MLFLOW_HOME}/scripts && \
    mkdir -p ${FILE_STORE} && \
    mkdir -p ${ARTIFACT_STORE}

COPY scripts/run.sh ${MLFLOW_HOME}/scripts/run.sh
RUN chmod +x ${MLFLOW_HOME}/scripts/run.sh

EXPOSE ${SERVER_PORT}/tcp

VOLUME ["${MLFLOW_HOME}/scripts/", "${FILE_STORE}", "${ARTIFACT_STORE}"]

WORKDIR ${MLFLOW_HOME}

ENTRYPOINT ["./scripts/run.sh"]

scripts/run.sh

#!/bin/sh

mlflow server \
    --file-store $FILE_STORE \
    --default-artifact-root $ARTIFACT_STORE \
    --host $SERVER_HOST \
    --port $SERVER_PORT

启动MLFlow Tracking Docker

docker build -t my_mflow_image .
docker run -d -p 5000:5000 --name mlflow-tracking my_mflow_image

Run trainings

由于我们在5000处公开了MLflow跟踪docker，我们可以通过设置环境变量MLFLOW_TRACKING_URI来记录执行情况。

MLFLOW_TRACKING_URI=http://localhost:5000 python example.py

此外，最好在第一次运行时删除- ./data:/data，在不挂载的情况下进行调试，以及建议的dockerfile您可能需要根据需要挂载ENV中提到的不同路径。

Answer 2

Here是一个指向Github的链接，我将MLflow放在一个docker中，该docker使用蓝宝石作为后台，以便稍后也可以从中提取模型。

作为一个简短的通知，您需要为您的脚本提供它应该保存工件的地址。您可以使用.env文件执行此操作，或手动设置这些内容。

set MLFLOW_TRACKING_URI=http://localhost:5000

重要的是，不仅要提供这些信息，而且还要提供模型训练的脚本;)

你可以找到一个完整的教程，如何在不同的理论szenario中一起使用MLflow和SKlearn，因为这在后面也有点棘手。

我希望你能得到足够的灵感来使用它。