Post

Posted Updated
By Changjin Kang
views 22 min read

가짜연구소 9기 “AI를 잘 활용하는 개발자로 성장하기” 프로젝트에 참여하여 Datacamp의 “Machine Learning Engineer” 강의를 수강하고 해당 내용을 정리한 게시글입니다. Datacamp Machine Learning 코스 페이지

1. Introduction to MLflow & MLflow Tracking

What is MLflow?

MLFlow는 모델 생명주기의 전 과정에 걸쳐 다양한 자동화 기능을 제공하여 MLOps를 지원한다.

MLflow의 컴포넌트

MLflow는 크게 네 가지의 컴포넌트를 지원한다.

  • MLflow Tracking : ML 모델의 학습에 사용된 데이터와 그 결과에 대한 추적을 지원
  • MLflow Models : 배포 자동화를 위한 모델 표준 패키징을 지원
  • MLflow Registry : 모델의 버전관리, 배포를 지원
  • MLflow Projects : ML 프로젝트에 사용된 코드를 패키징하여 반복, 재사용을 지원

    MLflow experiments

  • MLflow의 실험 관리를 위한 플랫폼으로, 모델의 학습 파라미터, 사용된 데이터, 결과물 등을 관리
  • client와 mlflow 두가지 모듈을 지원한다.
    • client : 저수준 API로 관리할 데이터들을 자유롭게 커스텀 가능
    • mlflow : 고수준 API로 set_experiment 메서드 하나로 모듈내의 데이터 추적을 자동화하여 제공

      MLflow Tracking

      ML 실험에 대한 추적 플랫폼이 필요한 이유는, 목표 달성을 위해 학습해야 할 모델이 많아질수록 알고리즘, metrics, 사용 데이터 등이 서로 달라 이들을 전부 관리하는 것이 어려워지기 떄문이다.

MLflow Tracking은 metrics, 파라미터 등을 등록하여 쉽게 관리할 수 있게한다.

mlflow를 이용한 학습 관리

  • mlflow.start_run() : 실험 시작을 선언하는 API. 프로그램이 종료되거나 end_run()을 실행할 때까지 로깅된 모든 데이터와 아티팩트들을 지정된 uri에 저장한다.
  • Metrics logging
    • log_metric, log_metrics : metric 로깅
    • log_param, log_params : 파라미터 로깅
    • log_artifact, lof_artifacts : 아티팩트 로깅
  • UI 시각화
    • mlflow ui를 명령어로 실행하면 로컬호스트에서 로깅된 결과를 UI로 확인가능

      Querying runs

      mlflow는 한 run에 대한 시각화 뿐만 아니라, 여러 run을 조회하고, 서로 비교할 수 있는 쿼리 기능을 제공한다.

      mlflow run 조회

  • mlflow.search_runs() : 현재 mlflow에 저장된 runs 정보를 반환
    • 기본값으로 pandas의 dataframe 형식을 반환
    • run_id, metric.metric1, metric.metric2, experiments_name 등등 다양한 형태로 조회가 가능하니 세부 조회를 하기 전에 전체적인 runs를 확인하기 좋음
  • 인자로 query를 넣어 다양한 조건으로 조회 가능
    • max_results : 반환할 run의 최대 개수 지정
    • order_by : 수치값 기준 정렬
    • filter_string : 조건을 문자열 형태로 지정하여 query string 기반 검색
    • experiment_names : 실험 이름으로 특정 실험 검색

사용 예시

1
2
3
4
5

f1_score_filter = "metrics.f1_score > 0.60"
# experiment1 실험에서 f1 score가 0.6보다 큰 runs를 recall 기준으로 내림차순으로 정렬하여 반환
mlflow.search_runs(experiment_names=["experiment1"],
				  filter_string=f1_score_filter,
				  order_by=["metrics.recall DESC"])

2. MLflow Models

여러 라이브러리에서 개발된 ML 모델에 대한 표준화된 패키징을 지원하는 컴포넌트 기본값으로 Flavors라는 포맷으로 패키지가 저장된다. 표준화된 패키지는 MLflow가 지원하는 다양한 유명 ML 플랫폼에서 배포를 지원한다.

  • pytorch, keras, sklearn, spark, tensorflow, onnx 등

    MLflow Models 예제

    mlflow에서는 autolog() 함수를 통해 명시적인 로깅 정의 없이 metric, parameter, model 등을 자동으로 저장할 수 있다.

    autolog가 지원하는 로그

  • metrics
    • Regression
      • MSE
      • RMSE
      • MAE
      • r2 score
    • Classification
      • precision
      • recall
      • f1 score
      • accuracy
  • parameters : model.get_param()으로 얻을 수 있는 파라미터들을 저장

    sklearn 예제

    ```python import mlflow from sklearn.linear_model import LinearRegression

mlflow.sklearn.autolog() lr = LinearRegression() lr.fit(X, y) # Auto logging

1
2

### 저장 형식
autolog를 통해 모델의 정보를 저장할 경우 다음과 같은 형식으로 저장된다.

model – MLmodel # 저장 위치, 사용 라이브러리, 버전 등 중요 정보에 대해 yaml 형식으로 저장, 이후 모델을 import할 때 라이브러리가 정보를 참조하기 위해 사용 – model.pkl – python_env.yaml – requirements.txt

1
2
3
4
5
6

## Model API
MLflow의 Model 모듈은 모델을 저장, 로드, 로깅하기 위한 다양한 API 함수를 지원한다.
예를들어 MLflow는 sklearn을 내장하고 있어 다음과 같이 사용할 수 있다.
```python
mlflow.sklearn.save_model(model, path)  # 앞서 배운 표준 형식으로 저장
mlflow.sklearn.load_model(model_uri)

모델 로드 방법

MLflow에서는 모델 로드를 위해 절대경로, 상대경로 외에 다양한 방법을 제공한다.

  • MLflow Tracking : runs:/<run_id>/relative-path-to-model
  • S3 bucket : s3://my_bucket/path-to-model

    Last Active run

    run을 불러왔다면 last_active_run() 함수를 통해 마지막 run을 재현성 있게 실행할 수 있다. last_active_run()이 반환하는 객체는 마지막 run의 정보를 갖고 있어, 해당 run의 정보를 조회 가능하다.

    Custom models

    MLflow는 강력한 API를 지원해주기는 하지만, 모든 상황에 대응할 수는 없다. 때문에 사용자가 커스텀 해야하는 경우 Model Customization 기능을 지원한다.

mlflow.pyfunc 모듈은 파이썬 함수를 FLAVOR 형식으로 사용 가능하도록 지원한다.

Custom model class

  • mlflow.pyfunc.PythonModel을 상속하는 클래스를 만들어서 FLAVOR 형식으로 저장하기 위한 코드와 함수를 정의
    • 다음의 메서드가 정의되어야 함
    • load_context : load_model()이 호출되었을 때 실행되는 메서드
    • predict : 로드된 모델에 대해 예측을 했을 때 실행되는 메서드

      커스텀 모델의 저장

      경로와 함께 커스텀 파이프라인 클래스를 호출하여 저장하면 된다.

  • mlflow.pyfunc.save_model(path="custom_model", python_model=CustomPredict())
  • mlflow.pyfunc.log_model(artifact_path="custom_model", python_model=CustomPredict())

    모델 평가

    mlflow.evaluate() 함수를 통해 데이터셋을 기반으로 모델의 예측 결과를 평가할 수 있다. (predict 함수가 정의되어있기 때문에가능)

1
2
3
4
5

# 사용 예시
mlflow.evaluate("runs:/run_id/model",
			   eval_data,
			   targets="test_label",
			   model_type="regressor") # [regressor, classifier]

evaluate를 진행하면, 자동으로 shap 시각화 라이브러리로 시각화된 plot file이 생성된다.

Model serving

모델을 표준화된 형식으로 패키징했기 때문에 쉽게 배포할 수 있다.

모델 서빙

  • mlflow models serve [OPTIONS]
    • 기본적으로는 로컬호스트의 5000번 포트에 배포된다.
    • 자세한 사용법은 mlflow models serve --help를 통해 확인할 수 있다.

      REST API

      모델을 mlflow로 배포할 경우 모델에 접근 가능한 REST API를 제공한다.

  • /ping, /health : mlflow 서버의 health check를 위한 API
  • /version : MLflow의 버전
  • /invocations : 배포된 모델의 스코어링
    • json 또는 csv를 payload로 받는다 (application/json, application/csv)
    • pandas_df.dataframe_split() 함수를 통해 json 형식으로 변환이 가능하다.

      3. MLflow Model Registry

      Introduction to MLflow Model Registry

      모델의 생명주기 동안 모델은 개발 환경, 스테이징 환경, 배포 환경 등 서로 다른 환경에서 관리되어야 한다. MLflow의 Model Registry는 다양한 환경들에 대해 하나로 통합된 MLflow 중앙 저장소에서 관리할 수 있는 컴포넌트이다.

      MLflow Model Registry

      Model Registry는 크게 모델의 상태를 크게 4개로 구분하여, 모델이 생명주기에서 어떤 상태인지를 나타낸다. 1. None : MLflow에 의해 추적되고 있는 상태 (logging) 2. Staging : MLflow에 등록된 상태 3. Production 4. Archived

      MLflow client module

      MLflow의 client 모듈을 통해 MLflow에 모델을 등록하고, 등록된 모델(Registered Model)을 관리할 수 있다. client 모듈은 MlflowClient 클래스의 인스턴스를 기반으로 동작한다. ```python from mlflow import MlflowClient

client = MlflowClient()

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48

- `create_registered_model()` 메서드를 통해 모델을 MLflow에 등록
- 등록된 모델은 UI에서 확인이 가능하며 `search_registered_models` 메서드로 필터 스트링에 기반하여 검색
  - ex) `"name LIKE 'Unicorn%'"` : Unircorn을 모델 이름으로 포함한 모든 Registered model 검색
## Registering Models
### MLflow에 모델을 등록했을 때 이점
- 모델의 버전 관리 가능
- 쉬운 모델 관리를 통해 원활한 협업
- 자동화를 위한 MLflow의 다양한 기능을 지원받을 수 있음
### MLflow에 모델을 등록하는 방법
- `mlflow.register_model(model_uri, name)`
  - `model_uri`는 로컬 디렉토리나 load_model과 동일한 문법을 이용할 수 있음
  - 새로운 모델을 학습하면서 등록할 때는, `log_model`을 호출할 때 `registered_model_name` 인자를 지정하여 해당 이름으로 모델의 아티팩트를 저장하며 함께 등록할 수 있음
- 동일한 이름으로 모델을 등록할 경우 버전이 1씩 증가하여 등록이 이루어짐
## Model stages
- 실제 ML 모델의 생명주기에서 서로 다른 모델의 상태(개발 환경, 배포 환경)를 관리하기 위해 MLflow는 Model stages 기능을 제공한다.
### Model stages
- 모델의 각 버전은 MLflow가 제공하는 4개의 stages 중 한가지의 상태만 가질 수 있다.
  1. None : 등록 후 별도의 상태를 받지 않은 default 상태
  2. Staging : 테스트 및 평가 단계의 상태
  3. Production : 모델이 모든 테스트를 완료하고 배포할 준비가 된 상태.
      - 버전이 여러개여도 Production 버전은 단 하나만 존재할 수 있다. 만약 이미 Production stage인 모델이 있을 때 다른 모델의 stage를 production으로 변경하면 기존 모델의 stage는 설정에 따라 staging 또는 archived로 변경된다.
  4. Archived : 더 이상 사용되지 않는 상태
### Stage 변경 방법
- UI를 통해 쉽게 변경 가능
- `client` 인스턴스의 `transition_model_version_stage(name, verstion, stage)` 메서드에서 모델의 이름과 버전을 지정하여 특정 stage로 변경할 수 있다.

> [정보]
> https://mlflow.org/docs/latest/model-registry.html#migrating-from-stages
> MLflow 2.9.0 버전 부터는 보다 유연한 관리를 위해 Model stages가 deprecate된다고 한다.
> 이후로는 model version tags와 model verion aliases를 제공하여 모델의 환경을 관리할 수 있도록 한다고 한다.
> model version tags는 docker의 tag와 유사하게 <모델이름>@<태그이름>으로 구성되어, 태그별로 모델을 구분할 수 있다.

## Model Deployment
### 모델 배포 방법
MLflow는 Model registry에 등록된 모델을 배포하기 위해 두 가지 옵션을 제공한다.
1. `load_model()` 함수
2. `mlflow models serve` 명령어 (CLI)

특정 모델을 지정해서 배포하기 위해 model uri가 필요하다
### Models URI
버전이나 stage 상태를 이용해서 특정 버전 또는 특정 스테이지의 모델을 지정할 수 있다.
- `models:/model_name/version or stage`
### 모델 로딩 예제
#### 파이썬
```python
import mlflow.sklearn

model = mlflow.sklearn.load_model("models:/Unicorn/Production")

CLI

1

mlflow models serve -m "models:/Unicorn/Production"

모델은 기본적으로 5000번 포트에 서빙되며, API를 통해 데이터를 보낼 수 있다. 데이터는 csv 또는 json 형태여야 한다.

4. MLflow Projects

Introduction to MLflow Projects

MLflow Projects 컴포넌트는 ML code를 재실행하고, 모델을 재생산 할 수 있는 방법을 제공 코드를 MLflow가 실행 가능한 단위로 패키징하여 재현성을 보장한다.

Projects artifact

1
2
3
4
5

project/
-- MLproject
-- train_model.py
-- python_env.yaml
-- requirements.txt

MLproject 파일은 프로젝트에 대한 프로퍼티들을 저장한 yaml 파일로, 프로젝트를 불러올 때 참조된다.

  • name, entry_points, python_env 등을 저장 수동으로 yaml을 작성하여 Projects에 다양한 설정을 할 수 있다.

    MLproject 파일 작성 예시

    1
2
3
4
5

    name: insurance_model
python_env: python_env.yaml
entry_points:
	main:
  	command: 'python3.9 train_model.py'

    Running MLflow Projects

    MLflow Projects는 API 또는 CLI 명령어를 통해 실행할 수 있다.

    Projects API

    mlflow는 projects라는 모듈을 제공하여 MLflow Project 관련 함수를 지원한다.

  • mlflow.projects.run() 으로 로컬 저장소 또는 git 저장소에 있는 프로젝트 실행 가능
  • 인자로 uri, entry_point, experiment_name, env_manager 등을 설정 가능

    사용 예제

    API

    1
2
3
4
5

    mlflow.projects.run(
                  uri="./", # 실행할 프로젝트의 경로
                  entry_pont="main",
                  experiment_name="Salary Model"
)

    CLI

    1

    mlflow run --entry-point main --experiment-name "Salary Model" ./
  • 필수 argument인 uri를 마지막에 넣어주면 된다.

Specifying parameters

MLflow Projects 이전 코드를 그대로 재사용 할 수도 있고, 파라미터를 사용하여 유연하게 커스텀 할수도 있다. 이러한 기능은 하이퍼파라미터 튜닝과 같이 동일한 환경에서 일부 설정을 변경하면서 ML 모델을 탐색하는 활동에 유리하다.

파라미터 정의

파라미터 정의는 MLproject 파일의 entry_points 내에서 할 수 있다.

1
2
3
4
5
6
7
8

entry_points:
	main:
		parameters:	
			parameter_1_name:
				type: data_type  # float, string 등 파이썬이 지원하는 데이터 타입
				default: default_value
			parameter_2_name:
				type: ...  # default: string

파라미터 사용

전달된 파라미터는 다음과 같이 가져올 수 있다.

1
2
3
4

import sys

parameter_1_name = int(sys.argv[1])
parameter_2_name = bool(sys.argv[2])

이는 CLI 명령어로 전달된 파라미터와 동일하게 취급되므로, argparse와 같은 다른 파라미터 파싱 도구와 함께 사용할 수도 있다.

1
2
3
4
5
6
7
8
9
10

import argparse

parser = argparse.ArgumentParser()
parser.add_argument("--parameter_1_name", type=int, default=1)
parser.add_argument("--parameter_2_name", type=bool, default=False)

...

args = parser.parse_args()
print(args.parameter_1_name, args.parameter_2_name)

또한 run 인스턴스의 params 딕셔너리를 통해서도 접근할 수 있다.

1
2
3

import mlflow

parameter_1_name = mlflow.active_run().data.params["parameter_1_name"]

파라미터 정의

mlflow.projects 모듈을 사용한다면, run 함수 실행 시 딕셔너리 형태로 파라미터를 지정할 수 있다.

1
2
3
4
5
6
7
8
9

import mlflow

mlflow.projects.run(
					...,
					parameters = {
						'parameter_1_name': value1,
						'parameter_2_name': value2
					}
)

CLI를 사용한다면 -P 옵션과 함께 파라미터를 전달할 수 있다.

1

mlflow run ... -P parameter_1_name=value1 -P parameter_2_name=value2 ...

Workflows

MLflow Projects는 여러 단계의 워크플로우를 순차적으로 수행하도록 만들수도 있다.

multi step 수행하기

MLproject 파일은 여러개의 entry_points를 만들 수 있다.

1
2
3
4
5

entry_points:
	step_1:
		...
	step_2:
		...

이제 run 함수를 실행할 때 어떤 entry_points를 실행해야 하는지 순차적으로 정의할 수 있다.

1
2

step_1 = mlflow.projects.run(uri="./", entry_point="step_1")
step_2 = mlflow.projects.run(uri="./", entry_point="step_2")

run 함수는 mlflow.projects.SubmittedRun 객체를 반환하므로, 후속 작업에서 필요시 사용할 수 있다. (공식문서 참조)

SubmittedRun의 메서드

  • run.cancel() : 현재 run 취소
  • run.get_status() : 현재 run의 정보 획득
  • run.run_id() : 현재 run의 run_id 획득
  • run.wait() : run이 종료될 때까지 대기

소감

알게 된 점

예전에 국비학원에서 mlflow를 잠깐 다루었을 때 실험 저장 및 모델 배포용으로 잠깐 배운 적이 있는데, 이렇게 전체 생명주기에 걸쳐 다양한 기능을 지원한다는 것을 배울 수 있었습니다.

또 강의 내용을 정리하고, 궁금한 점을 검색하면서 stages가 deprecate된다는 사실을 알게 되었는데, 역시 이런 라이브러리, 프레임워크를 사용할 때는 버전에 맞는 공식문서를 참조하는 것이 중요하다는 것을 느꼈습니다.

궁금한 점

mlflow가 다양한 모델을 지원한다는 것은 처음 알았는데, 실무에서도 mlflow.sklearn과 같이 mlflow가 지원하는 모듈을 많이 사용하는지가 궁금합니다.

This post is licensed under CC BY 4.0 by the author.