每个做过机器学习开发的人都知道机器学习的复杂性,除了软件开发中常见的问题之外,机器学习还存在很多新的挑战。作为一家大数据解决方案公司,Databricks 与数百家使用机器学习的公司合作,所以能够清楚地了解他们的痛点,比如工具太过复杂、难以跟踪实验、难以重现结果、难以部署模型。由于这些挑战的存在,机器学习开发必须变得与传统软件开发一样强大、可预测和普及。为此,很多企业已经开始构建内部机器学习平台来管理机器学习生命周期。例如,Facebook、谷歌和优步分别构建了 FBLearner Flow、TFX 和 Michelangelo 来进行数据准备、模型训练和部署。但这些内部平台存在一定的局限性:典型的机器学习平台只支持一小部分内置算法或单个机器学习库,并且被绑定在公司内部的基础设施上。用户无法轻易地使用新的机器学习库,或与社区分享他们的工作成果。
Databricks 认为应该使用一种更好的方式来管理机器学习生命周期,于是他们推出了 MLflow,一个开源的机器学习平台。
MLflow 的灵感来源于现有的机器学习平台,但以开放性作为主要设计目标:
开放接口:MLflow 可与任何机器学习库、算法、部署工具或编程语言一起使用。它基于 REST API 和简单的数据格式(例如,可将模型视为 lambda 函数)而构建,可以使用各种工具,而不只是提供一小部分内置功能。用户可以很容易地将 MLflow 添加到现有的机器学习代码中,并在组织中共享代码,让其他人也能运行这些代码。
开源:MLflow 是一个开源项目,用户和机器学习库开发人员可以对其进行扩展。此外,利用 MLflow 的开放格式,可以轻松地跨组织共享工作流步骤和模型。
Mlflow 目前仍处于 alpha 阶段,但它已经提供了一个可用的框架来处理机器学习代码。接下来将详细介绍 MLflow 和它的组件。
MLflow 的 alpha 版本包含了三个组件:
MLflow 的跟踪组件支持记录和查询实验数据,如评估度量指标和参数。MLflow 的项目组件提供了可重复运行的简单包装格式。最后,MLflow 的模型组件提供了用于管理和部署模型的工具。
MLflow 的跟踪组件提供了一组 API 和用户界面,用于在运行机器学习代码时记录参数、代码版本、度量指标和输出文件,以便在后续进行可视化。通过几行简单的代码就可以跟踪参数、度量指标和文件:
用户可使用跟踪组件(通过独立脚本或 notebook)将结果记录到本地文件或服务器上,然后通过 Web UI 来查看和比较多次运行结果。团队也可以使用这些工具来比较不同用户的运行结果。
MLflow 的项目组件提供了一种用于打包可重用代码的标准格式。项目可以是一个包含代码的目录或 Git 仓库,并使用一个描述符文件来描述依赖关系以及如何运行代码。MFflow 项目通过一个叫作 MLproject 的 YAML 文件进行定义。
项目可以通过 Conda 来指定依赖关系。一个项目可能包含多个带有命名参数的运行入口。用户可以使用 mlflow run 命令行工具来运行项目,项目代码可以在本地,也可以在 Git 仓库里:
MLflow 将自动为项目设置合适的环境并运行它。另外,如果在项目中使用了 MLflow Tracking API,MLflow 将记住执行过的项目版本(即 Git 的提交操作)和参数,这样就可以很轻松地重新运行完全相同的代码。
无论是在企业还是在开源社区,项目格式让共享可重用代码变得更加容易。结合 MLflow 的跟踪组件,MLflow 项目为可重现性、可扩展性和实验提供了很好的工具。
MLflow 的模型组件提供了一种将机器学习模型打包成多种格式的规范,这些格式被称为“flavor”。MLflow 提供了多种工具来部署不同 flavor 的模型。每个 MLflow 模型被保存成一个目录,目录中包含了任意模型文件和一个 MLmodel 描述符文件,文件中列出了相应的 flavor。
在这个例子中,模型可以与支持 sklearn 或 python_function 的工具一起使用。
MLflow 提供了将常见模型部署到不同平台的工具。例如,任何支持 python_function 的模型都可以部署到基于 Docker 的 REST 服务器或云平台上(如 Azure ML 和 AWS SageMaker),也可以作为 Apache Spark 的用户定义函数,用于进行批量和流式推断。如果使用 Tracking API 将 MLflow 模型输出为文件,MLflow 还会自动记住它们是由哪个项目运行生成的。
要使用 MLflow,请按照 mlflow.org 上的说明进行操作,或使用 Github 上的 alpha 版代码。
如果要使用 MLflow 的托管版本,可以在 databricks.com/mlflow 注册。Databricks 上的 MLflow 与 Databricks Unified Analytics 平台集成,包括 Notebooks、Jobs,Databricks Delta 和 Databricks 安全模型,为用户提供了安全、生产就绪的方式大规模地运行现有的 MLflow 作业。
MLflow 刚刚展露头角,因此还有很多事情要做。后续计划引入新组件(如监控)、与其他库的集成以及扩展已发布的组件(例如支持更多环境类型)。
http://www.mlflow.org
https://github.com/databricks/mlflow
英文原文
https://databricks.com/blog/2018/06/05/introducing-mlflow-an-open-source-machine-learning-platform.html
点击下方图片即可阅读
9400亿美金市值的苹果,在AI赛场已经落后了
人工智能时代,如何快速且有效地入门?需要哪些数学基础?怎样掌握机器学习主要方法?
工学博士、副教授王天一在他的《人工智能基础课》里,会带你巩固人工智能基础,梳理人工智能知识框架,了解人工智能的最佳应用场景。新注册用户,立减 30 元。
现在订阅,有以下福利:
限时优惠¥58,6 月 9 日会上涨到¥68
每邀请一位好友购买,你可获得 ¥12 现金返现,好友也将获得 ¥6 返现。多邀多得,上不封顶,立即提现。
点「阅读原文」,订阅专栏
如果你希望看到更多类似优质报道,记得点个赞再走!
┏(^0^)┛明天见!