10.3 Configuração do MLflow
O MLflow precisa de um back-end para salvar os dados dos experimentos, tais como as métricas, parâmetros, artefatos e modelos. Na seção anterior, executamos os tutoriais básicos, que utilizam o sistema de arquivos como back-end, mas essa abordagem é muito limitada, pois exige que os comandos sejam executados sempre na mesma máquina. Para um único usuário interessado em controlar seus experimentos e modelos, pode servir, mas para uma equipe que deseja um mínimo de consistência e colaboração, é desejável a configuração de um local centralizado.
Existem dois tipos de storage que precisam ser configurados para o funcionamento completo do MLflow:
Um serviço de storage simples, como Amazon S3 ou Google File storage, para armazenar artefatos e parâmetros/métrica;
Um serviço de banco de dados, como MySQL ou PostgreSQL, para armazenar dados para registro de modelos.
Faremos aqui uma configuração completa usando Docker, que possibilita que o MLflow seja utilizado com todos seus recursos. O exemplo foi adaptado deste repositório aqui.
10.3.1 Serviço de storage MinIO
O primeiro serviço que iremos configurar é o armazenamento de arquivos. O MinIO é uma ferramenta open source compatível com o Amazon S3, portanto é uma excelente opção para demonstrar como esse tipo de armazenamento pode ser utilizado. O leitor pode optar por configurar sua própria instância do MinIO ou utilizar o Amazon S3, com as mesmas configurações do lado do MLflow.
Para configurar o MinIO, utilizaremos uma imagem Docker pronta. Faremos também uso do docker compose
como facilitador na configuração do ambiente.
Crie uma pasta em um local qualquer, chamada mlflow-server
. Crie um arquivo chamado compose.yml
:
Esse arquivo faz a configuração de um contêiner com base na imagem oficial do MinIO. Há duas portas sendo abertas, 9000 (para a interface principal) e 9001 (para os comandos internos). A configuração do usuário e senha também é feita nesse arquivo, com base em duas variáveis de ambiente que serão definidas a seguir. O comando que executa o servidor é o seguinte:
server /data --console-address ":9001"
/data
é a pasta onde serão salvos os arquivos e metadadosconsole-address
define a porta para onde os comandos devem ser enviados
O arquivo do docker compose
também define duas redes onde esse serviço estará disponível. A rede internal
será compartilhada com outros serviços que definiremos mais adiante, e a rede public
é, como o nome sugere, a rede por onde acessaremos o MinIO a partir da máquina local e de outras máquinas, caso quisermos.
Por último, o arquivo define que existirá um volume, chamado minio_volume
que ficará mapeado para a pasta /data
do contêiner (a mesma indicada no comando que executa o servidor).
Para poder rodar esse serviço, é necessário definir as configurações de usuário e senha. Faremos isso em um arquivo chamado .env
:
Fique à vontade para trocar os valores, caso desejar.
Agora já podemos rodar. Execute:
Assim que o contêiner for iniciado, podemos testar, abrindo o navegador no endereço http://localhost:9000
.
Experimente a interface, crie novos buckets, faça o envio de arquivos para ver como funciona.
O MLflow irá armazenar seus artefatos em um bucket. Um bucket é uma unidade de armazenamento no Amazon S3, confira a documentação para saber mais. Podemos criá-lo manualmente, pela interface, e depois informar ao MLflow o nome do bucket. Mas podemos também automatizar essa etapa. Assim, seguindo a filosofia de infraestrutura como código, podemos deixar tudo programado de modo a gerar menos erros.
Vamos fazer uso do CLI do MinIO, uma ferramenta em linha de comando que permite a execução de diversos comandos. Por exemplo, para criar um novo bucket chamado "umbucketqualquer" podemos executar os comandos:
O primeiro comando configura a ferramenta CLI para acessar o servidor local, e o segundo solicita a criação de um novo bucket.
Portanto, vamos configurar um serviço no arquivo compose
para automaticamente criar um bucket, caso não exista, assim que o serviço for executado. Modifique o arquivo compose.yml
:
O novo serviço utiliza uma imagem que tem apenas o cliente do MinIO instalado, pronto para usar. Então podemos apenas executar o comando que quisermos. Mas não podemos executar nada antes de termos certeza que o serviço do MinIO terminou de rodar. No arquivo, existe uma dependência deste novo serviço para o serviço do MinIO (depends_on
), mas isso não garante que ele execute apenas após o outro estar pronto, como já discutimos antes, na Seção 5.2. Por isso, o comando definido nesse serviço fica tentando (laço "until") fazer o login no serviço, com espera de 1 segundo entre cada tentativa. Apenas quando essa tentativa é bem sucedida que o comando segue para a criação do bucket. O nome do bucket deve ser definido no arquivo .env
:
É importante entender que o comando tenta criar o bucket de qualquer maneira. Se ele já existir, não será criado. Como estamos fazendo uso de um volume, os dados ficarão persistentes mesmo entre as execuções. Para testar, interrompa e execute o docker compose up
novamente. Após a execução, acesse a interface novamente e veja como o bucket foi criado.
10.3.2 Serviço de banco de dados MySQL
O próximo serviço a ser executado é o banco de dados. Faremos uso do MySQL, que também já tem uma imagem Docker pronta para ser utilizada. Vamos modificar o arquivo compose.yml
:
Não há muita novidade aqui. Estamos expondo a porta 3306, que é a porta padrão do MySQL, configurando dados do banco de dados, como base de dados, usuário e senha, um volume para armazenamento persistente e uso da rede internal
(somente o mlflow precisará acessar esse serviço).
Modifique também o arquivo .env
para adicionar as informações adicionadas:
Já podemos subir os serviços e ver o resultado. Na verdade não há muito o que ver, exceto as mensagens no terminal informando que o MySQL está de fato rodando.
10.3.3 Serviço do MLflow
O terceiro e último serviço que iremos rodar é o MLflow. Também não é difícil configurá-lo no docker compose
, sendo basicamente configurações e endereços dos demais serviços para a orquestração. Porém, há um complicador. Para que o MLflow execute corretamente, é preciso que o serviço de banco de dados, pelo menos, esteja rodando. Como já discutido anteriormente, apesar de existir no docker compose
o conceito de depends_on
, pode haver uma demora entre o início da execução do serviço e o momento em que ele está de fato pronto para ser utilizado. No caso do MLflow, é preciso que a porta do MySQL esteja pronta para ser acessada.
Para resolver esse problema, é preciso algum tipo de lógica adicional na inicialização do serviço. Faremos uso de um script que faz exatamente isso. O projeto wait-for-it é uma ferramenta de linha de comando que aguarda por uma determinada porta, antes de executar um comando. Faça download do arquivo wait-for-it.sh
desse repositório e salve-o em sua pasta.
Crie um arquivo chamado Dockerfile
, com o seguinte conteúdo:
Essa imagem é baseada em uma imagem do miniconda
, e terá instalado o MLflow e demais dependências necessárias para conexão aos demais serviços. Também será copiado o script wait-for-it.sh
que acabamos de baixar.
Agora vamos modificar o compose.yml
:
Ainda falta configurar algumas coisas no .env
:
Esta variável define em qual região da AWS o bucket está armazenado. Como o MinIO roda localmente, este valor não é nenhum valor real, mas é necessário para que a configuração fique completa para quando isso for migrado para a AWS realmente.
O principal a ser analisado aqui é o entrypoint:
bash ./wait-for-it.sh db:3306 -t 90 -- mlflow server --backend-store-uri mysql+pymysql://${MYSQL_USER}:${MYSQL_PASSWORD}@db:3306/${MYSQL_DATABASE} --default-artifact-root s3://${AWS_BUCKET_NAME}/ -h 0.0.0.0
wait-for-it.sh
: é o script que espera que uma porta esteja prontadb:3306
: diz ao script para esperar a porta 3306 do host db ficar pronta (lembre-se, "db" é o nome do contêiner e também o nome do host, na rede Docker criada)-t 90
: diz ao script para esperar no máximo 90 segundos--
: indica ao script que a seguir vem o comando a ser executado após a espera bem sucedidamlflow server
: comando que inicia o MLflow--backend-store-uri XXX
: indica ao MLflow onde armazenar os metadados referentes aos modelos (no caso, o MySQL)--artifacts-destination s3://${AWS_BUCKET_NAME}/ --serve-artifacts
: indica ao MLflow onde armazenar os artefatos (no caso, o MinIO, ou poderia ser Amazon S3). O mlflow server estará funcionando como um proxy para armazenar e recuperar os artefatos do local especificado-h 0.0.0.0
: diz ao MLflow para aceitar requisições de fora da máquina local
Pronto, basta executar o comando docker compose up
e teremos tudo funcionando. Estamos com uma instância do MLflow completamente configurada e acessível no endereço http://localhost:5000
. Na próxima seção mostraremos como utilizar essa instância para aproveitar das funcionalidades dos componentes do MLflow de forma centralizada.
Last updated