在 R 中使用 MLflow 跟踪机器学习模型

在本文章中，我会简要地介绍 MLflow 及其工作方式。MLflow 目前提供了 Python 中的 API，您可以在机器学习源代码中调用这些 API 来记录 MLflow 跟踪服务器要跟踪的参数、指标和工件。

如果您熟悉机器学习操作并在 R 中执行了这些操作，那么可能想要使用 MLflow 来跟踪模型和每次运行。您可以使用以下几种方法：

• 等待 MLflow 发布 R 中的 API
• 封装 MLflow RESTful API 并通过 curl 命令进行记录
• 使用一些可调用 Python 解释器的 R 包来调用现有的 Python API

最后一种方法简单易行，并允许您与 MLflow 进行交互，而无需等待提供 R 的 API。在本教程中，我将说明如何使用 reticulate R 包来执行此操作。

_reticulate_ 是一个开源 R 包，它允许通过在 R 会话中嵌入 Python 会话来从 R 中调用 Python。该包在 R 与 Python 之间提供无缝的高性能互操作性。在 CRAN 存储库 中提供了该包。

MLflow 还随附了 Projects 组件，该组件会将数据、源代码及命令、参数和执行环境设置一起打包为一个独立规范。在定义 MLproject 后，可以在任何地方运行此项目。目前， MLproject 可以运行 Python 代码或 shell 命令。它还可以为用户定义的 conda.yaml 文件中指定的项目设置 Python 环境。

对于 R 用户，通常会在 R 源代码中导入一些包。必须安装这些包才能运行 R 代码。未来可以做出的一项优化是，在 MLflow 中添加类似于 conda.yaml 的功能来设置 R 包依赖项。本教程介绍了如何创建包含 R 源代码的 MLproject ，以及如何使用 mlflow run 命令运行此项目。

学习目标

在本教程中，您将安装和设置 MLflow 环境，在 R 中训练和跟踪机器学习模型，将源代码和数据封装在 MLproject 中，并使用 mlflow run 命令运行此项目。

前提条件

在开始本教程之前，应该先在运行 R 的平台上安装 Python。我首选安装 miniconda 。由于将在 R 中完成机器学习训练，因此也应该在平台上安装了 R。

预估时间

完成本教程大约需要 30 分钟。

步骤

第 1 步：安装 MLflow

为 MLflow 创建 virtualenv，并按如下方式安装 mlflow 包（使用 conda ）：

conda create -q -n mlflow python=3.6
source activate mlflow
pip install -U pip
pip install mlflow

第 2 步：安装 reticulate R 包

通过 R 安装 reticulate 包。

install.packages("reticulate")

reticulate 允许 R 无缝调用 Python 函数。通过 import 语句装入 Python 包。通过 $ 运算符调用函数。

> library(reticulate)
> path <- import("os.path")
> path$isdir("/tmp")
[1] TRUE

正如您所见，使用此包从 R 中调用 os.path 模块中的 Python 函数十分简单。通过导入 mlflow 包，然后调用 mlflow$log_param 和 mlflow$log_metric 以记录 R 脚本的参数和指标，可以对 mlflow 包执行相同的操作。

第 3 步：使用 SparkR 训练 GLM 模型

以下 R 脚本使用 SparkR 构建线性回归模型。对于此 示例 ，必须已安装 SparkR 包。

# load the reticulate package and import mlflow Python module
library(reticulate)
mlflow <- import("mlflow")

# load SparkR package and start spark session
library(SparkR, lib.loc = c(file.path(Sys.getenv("SPARK_HOME"), "R", "lib")))
sparkR.session(master="local[*]")

# convert iris data.frame to SparkDataFrame
df <- as.DataFrame(iris)

# parameter for GLM
family <- c("gaussian")

# log the parameter
mlflow$log_param("family", family)

# fit the GLM model
model <- spark.glm(df, Species ~ ., family = family)

# exam the model
summary(model)

# path to save the model
model_path <- "/tmp/mlflow-GLM"

# save the model
write.ml(model, model_path)

# log the artifact
mlflow$log_artifacts(model_path)

# stop spark session
sparkR.session.stop()

您可以将脚本复制到 R 或 Rstudio 并以交互方式运行该脚本，或者将其保存到文件中并使用 Rscript 命令运行该脚本。确保 PATH 环境变量包含 mlflow Python virtualenv 的路径。

第 4 步：启动 MLflow UI

通过从 shell 中运行 mlflow ui 命令来启动 MLflow UI。然后，打开浏览器并使用 URL http://127.0.0.1:5000 转至页面链接。现已显示您之前的 GLM 模型训练，您可以对其进行跟踪。下图显示了其截屏。

第 5 步：训练决策树模型

1. 将要学习的 wine-quality.csv 数据下载到您的平台。
2. 在 R 环境中安装 rpart 包：

   install.packages("rpart")

3. 按照此示例 rpart-example.R 来为树模型做好准备：

   # Source prep.R file to install the dependencies
       source("prep.R")
   
       # Import mlflow python package for tracking
       library(reticulate)
       mlflow <- import("mlflow")
   
       # Load rpart to build a tree model
       library(rpart)
   
       # Read in data
       wine <- read.csv("wine-quality.csv")
   
       # Build the model
       fit <- rpart(quality ~ ., wine)
   
       # Save the model that can be loaded later
       saveRDS(fit, "fit.rpart")
   
       # Save the model to mlflow tracking server
       mlflow$log_artifact("fit.rpart")
   
       # Plot
       jpeg("rplot.jpg")
       par(xpd=TRUE)
       plot(fit)
       text(fit, use.n=TRUE)
       dev.off()
   
       # Save the plot to mlflow tracking server
       mlflow$log_artifact("rplot.jpg")

   R 代码包括三个部分：模型训练、通过 MLflow 实现的工件记录以及 R 包依赖项安装。

第 6 步：为 MLproject 准备包依赖项

在前面的示例中，需要 reticulate 和 rpart R 包才能运行代码。要将这些代码封装到一个独立项目中，如果平台没有安装这些包，那么应运行某种脚本来自动安装这些包。

将使用以下代码、通过 prep.R 来安装项目所需的所有特定 R 包：

# Accept parameters, args[6] is the R package repo url
args <- commandArgs()

# All installed packages
pkgs <- installed.packages()

# List of required packages for this project
reqs <- c("reticulate", "rpart")

# Try to install the dependencies if not installed
sapply(reqs, function(x){
  if (!x %in% rownames(pkgs)) {
    install.packages(x, repos=c(args[6]))
  }
})

第 7 步：测试代码

在将这些代码封装到 MLproject 之前，请尝试通过直接调用 Rscript 命令来测试这些代码，如下所示：

Rscript rpart-example.R https://cran.r-project.org/

在 MLflow UI 中，您应该看到这次运行已被跟踪，如下图所示：

第 8 步：创建 MLproject

现在，我们来编写规范，并将此项目封装到 MLflow 可识别并运行的 MLproject 中。您只需要在同一个目录中创建 MLproject 文件。

name: r_example

entry_points:
    main:
        parameters:
            r-repo: {type: string, default: "https://cran.r-project.org/"}
        command: "Rscript rpart-example.R {r-repo}"

此文件使用 main 入口点定义 r_example 项目。该入口点指定要通过 mlflow run 执行的命令和参数。对于此项目， Rscript 是用于调用 R 源代码的 shell 命令。 r-repo 参数会提供 URL 字符串，您可以通过它来安装从属包。已设置一个缺省值。将此参数传递至用于运行 R 源代码的命令。

现在，您已拥有训练此树模型所需的所有文件，可以通过创建目录并将数据和 R 源代码复制到该目录来创建 MLproject 。

.
└── R
    ├── MLproject
    ├── prep.R
    ├── rpart-example.R
    └── wine-quality.csv

第 9 步：检入并测试 MLproject

可以将先前的 MLproject 检入并推送到 GitHub 存储库。使用以下命令来测试该项目。可以在安装了 R 的任何平台上运行该项目。

mlflow run https://github.com/adrian555/DocsDump#files/mlflow-projects/R

也可以从 MLflow 跟踪界面中查看该项目，如下图所示：

此视图与前一次运行（无 Mlproject 规范）之间的差异是 Run Command （将捕获用于运行项目的确切命令）和 Parameters （将自动记录传递到入口点的任何参数）。

结束语

在本教程中，您已在 R 中成功地创建了 MLproject ，并使用 MLflow 跟踪和运行了该项目。此方法让 R 用户能够使用 MLflow Tracking 组件，从而可以快速跟踪 R 模型。它还演示了 MLflow 的 Projects 组件的用途，即定义项目并使项目便于重新运行。R 用户可以快速设置其项目，并且可以使用 MLflow 轻松跟踪和运行项目。