Go to Qiita Advent Calendar 2024 Top
LoginSignup
1
2

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?

More than 1 year has passed since last update.

@kanchi_tdse(かんち)inTDSE株式会社

MLflowとBentoMLの連携

Posted at

はじめに

私の担当するプロジェクトでは実験管理ツールとしてMLflowを定番で利用しています。一方、最近Model ServingのOSSとしてBentoMLにも注目しています。これを連携させることで、モデルの開発・学習フェーズ（Devフェーズ）と運用フェーズ（Opsフェーズ）の橋渡しを上手くできないかと考えました。

MLflowについて

MLflowはTracking、Projects、Models、Model Registryという4つの主要コンポーネントで構成されています。今回はこのうちのTrackingとModel Registryを利用します。

MLflow Tracking

実験結果（学習時に指定したパラメータ、精度等のメトリクス、アーティファクト、など）を記録する機能です。学習プログラムの中で各種実験結果をMLflowに記録するAPIを呼び出すことで、MLflow Trackingに情報が蓄積されます。蓄積された情報はMLflow UIで確認できます。

MLflow Model Registry

学習済モデルのバージョン管理・ステージ管理をする機能です。pkl形式で出力された学習済モデルのファイル自体はTrackingの機能で記録・保管されていますが、再学習によるモデルのバージョンを管理したり、どのバージョンのモデルが検証・本番の環境で有効なのかを管理するのがModel Registryの役割になります。

BentoMLについて

機械学習モデルを管理・提供するためのフレームワークです。この基本機能については以前投稿したこちらで整理しました。

システム構成とML業務プロセス

環境

今回は全てのプロセスをローカルPCで試行しています。

  • OS: Ubuntu 20.04(Windows WSL2）
  • Docker 20.10.21, Python 3.8.10
  • mlflow 2.1.1
  • Bentoml 1.0.13

システム関連図

system.drawio.png

少々分かりづらいかもですが😅 ポイントを整理すると、

  • モデル学習はDocker上で実行します。そこでの学習の結果（実験結果）はMLflowに記録されるようにします。また学習済モデルはModel Registryに登録されるようにします。
  • Model Registryから最も精度のよいモデルをBento model storeにインポートします。
  • 推論サービスプログラムと学習済モデルを纏めてbentoを生成します。基盤はモデル学習でも使ったDockerイメージを指定します。
  • bentoから推論サービスのDockerイメージ生成します。

ML業務プロセス

ML業務プロセスで整理すると下図のような流れになります。（ロールや担当の切り分けは会社やプロジェクトによって様々なので、1つのモデルケースとして捉えてもらえればよいです。）

process_flow.drawio.png

操作

事前準備

事前準備として、python仮想環境の作成、MLflowとBentomlのインストールを行います。MLflowでModel Registryの機能も使うので、実験結果がSQLiteに記録されるように設定します。

事前準備
# python仮想環境の作成と有効化
python -m venv venv
source venv/bin/activate

# MLflow準備
mkdir mlruns
touch mlruns/mlruns.db
pip install mlflow

# ソースディレクトリ作成
mkdir src

# BentoML準備
pip install bentoml

以下のコマンドを実行するとMLflowのTrackingサーバーが起動します。

# MLflow Trackingサーバーの起動
mlflow server --host 0.0.0.0 --port 5000 \
    --backend-store-uri sqlite:///mlruns/mlruns.db \
    --default-artifact-root mlruns

ブラウザで http://localhost:5000/ にアクセスしてMLflow UIが表示されれば準備OKです。

①ベースイメージ作成

機械学習のためのベースとなるDockerイメージを作成します。今回はscikit-learnを使ったモデルを作ります。また、実験結果をMLflowに記録するためにmlflowパッケージ、後ほど推論サービスを動かすためにbentomlのパッケージを利用します。scikit-learnはmlflowインストール時に一緒インストールされるので、それをそのまま利用します。ですので今回はごくシンプルなDockerfileになります。

Dockerfile
FROM python:3.8.10-buster

RUN pip install mlflow bentoml

WORKDIR /work

docker buildでイメージをビルドします。

Dockerイメージのビルド
docker build -t sample-training .

②学習プログラム開発

必要な環境が揃ったので、学習プログラムを開発します。今回はワインの品質予測のモデルを開発します。

  • train.pyという名前で下記プログラムを記述し、srcディレクトリに保存します。
  • MLflowのAutolog機能を使って各種パラメータやメトリクス情報をexperiment_winequality-redというExperiment名で自動的に記録するようにしています。また、生成されたモデルはwinequality-red-modelという名前でMLflow Model Registryに登録されるようにしています。
src/train.py
import sys
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import ElasticNet
import mlflow

if __name__ == "__main__":
    # データのダウンロード
    csv_url = "http://archive.ics.uci.edu/ml/machine-learning-databases/wine-quality/winequality-red.csv"
    data = pd.read_csv(csv_url, sep=";")

    # MLflow設定: Experimentの指定とAutologの設定
    experiment = mlflow.set_experiment("experiment_winequality-red")
    mlflow.sklearn.autolog(registered_model_name="winequality-red-model")

    # データをトレーニングセットとテストセットに分割
    train, test = train_test_split(data)
    train_x = train.drop(["quality"], axis=1)
    test_x = test.drop(["quality"], axis=1)
    train_y = train[["quality"]]
    test_y = test[["quality"]]

    # alphaとl1_ratioの値を定義(値はコマンドライン引数で受け取る：デフォルト値は共に0.5)
    alpha = float(sys.argv[1]) if len(sys.argv) > 1 else 0.5
    l1_ratio = float(sys.argv[2]) if len(sys.argv) > 2 else 0.5

    # 学習を実行
    lr = ElasticNet(alpha=alpha, l1_ratio=l1_ratio, random_state=42)
    lr.fit(train_x, train_y)

プログラムが完成したら、Dockerコンテナの中で実行してみましょう。

Dockerコンテナを起動する際にMLFLOW_TRACKING_URIという環境変数を指定します。これはMLflowのTrackingサーバのURLになります。ローカルPCからMLflowはhttp://localhost:5000/でアクセスできますが、Dockerコンテナから呼び出すときは"localhost"ではなくホスト側のIPアドレスを指定する必要があります。LinuxのIPアドレスはip -4 aといったコマンドで確認できますので、これを応用して以下のように実行します。

Dockerコンテナの起動
# docker run 実行
#   -vオプションでカレントディレクトリをボリューム共有。
#   -eオプションで環境変数MLFLOW_TRACKING_URIを指定。ポート名（ここでは"eth0"）が異なる場合は修正してください。
docker run --rm -it \
    -v $(pwd):/work \
    -e MLFLOW_TRACKING_URI=http://$(ip -4 a show eth0 | grep -oP '(?<=inet\s)\d+(\.\d+){3}'):5000 \
    sample-training:latest bash

上記コマンドでコンテナ内に入れます。ここでtrain.pyを実行します。

（コンテナ内）train.pyの実行
python src/train.py

実行すると下記のようなメッセージが表示されるかと思います。最後にCreated version '1' of model 'winequality-red-model'.と表示されれば成功です。

実行結果
root@f681f77eef1a:/work# python src/train.py
2023/02/03 00:27:57 INFO mlflow.tracking.fluent: Experiment with name 'experiment_winequality-red' does not exist. Creating a new experiment.
2023/02/03 00:27:57 WARNING mlflow.utils.autologging_utils: You are using an unsupported version of sklearn. If you encounter errors during autologging, try upgrading / downgrading sklearn to a supported version, or try upgrading MLflow.
2023/02/03 00:27:57 INFO mlflow.utils.autologging_utils: Created MLflow autologging run with ID '201f8132f348454a850f1e5f50dc89c6', which will track hyperparameters, performance metrics, model artifacts, and lineage information for the current sklearn workflow
Successfully registered model 'winequality-red-model'.
2023/02/03 00:28:00 INFO mlflow.tracking._model_registry.client: Waiting up to 300 seconds for model version to finish creation.                     Model name: winequality-red-model, version 1
Created version '1' of model 'winequality-red-model'.

MLflow UIを見ると実験結果の記録と登録されたモデルが確認できます。

mlflow-1.png

mlflow-2.png

③実験

学習プログラムが開発できたら、実験ということで様々条件を変えて学習を実行します。

Dockerコンテナに入った状態で、以下のようにプログラムを手動で複数回実行します。

（コンテナ内）実験：様々引数を変えたtrain.pyの実行
# train.pyを4回実行
# 第1引数はalpha、第2引数l1_ratio
python src/train.py 0.4 0.4
python src/train.py 0.3 0.3
python src/train.py 0.2 0.2
python src/train.py 0.1 0.1

MLflow UIを見ると、学習プログラム開発時で行った時の実行と合わせて5つの結果が記録されているのが確認できます。

mlflow-3.png

④実験結果確認/承認

一通りの実験が終わりましたので、実験結果を確認して最も精度のよいモデルを判断します。MLflow UIには実験結果の比較機能もありますのでそれらを活用します。今回はalpha=0.1、l1_ratio=0.1で学習したものが、平均二乗偏差(root_mean_squared_error)などのメトリックで良い結果が出たと判断できるので、これを採用することにします。

mlflow-4.png

alpha=0.1、l1_ratio=0.1で学習したモデルはMLflow Model Registryにて"winequality-red-model"という名前で、"Version5"として登録されています。このVersion5の画面を開いて、StageをNoneからStageに変更します。

mlflow-5.png

mlflow-6.png

変更されると以下のような表示となります。

mlflow-7.png

⑤対象となるモデルの抽出

ここからBentoMLを利用したModel Servingのプロセスに入っていきます。まずは、先ほどMLflow Model RegistryでStageに変更されたモデルを取り出して、BentoML model storeに保存します。以下のスクリプトimport_model.shを記述してください。

import_model.sh
#!/bin/bash
export MLFLOW_TRACKING_URI=http://localhost:5000

# MLflow Model Registryの指定
MLFLOW_MODEL_NAME="winequality-red-model"
STAGE="Staging"
MODEL_URI="models:/$MLFLOW_MODEL_NAME/$STAGE"

# BentoML model storeへの保存
BENTOML_MODEL_NAME="winequality-red"
python -c "import bentoml; bentoml.mlflow.import_model('$BENTOML_MODEL_NAME', '$MODEL_URI')"

MLflow Model Registryに登録されているモデルを呼び出すときは、実験を行ったときのRun IDで指定する方法や、モデル名とバージョンの組み合わせで指定する方法などもありますが、ここでは、モデル名とステージで指定する方法を取ります。これによって、呼び出す際に毎回Run IDやバージョン番号を確認・変更する必要がなくなります。また実際の呼び出しはPython APIで行いますが、今回はごく簡単な命令だけなので、bashファイルの中にインラインでpythonコードを記載しています。

BentoML model storeへのモデルの保存
# BentoML model storeへの保存
bash ./import_model.sh

# 確認
bentoml models list

BentoML model storeへの保存が正しく行えていると、以下のように表示されます。

実行結果
$ bentoml models list
 Tag                               Module          Size      Creation Time
 winequality-red:kfbvtkvdlsqz6aav  bentoml.mlflow  2.60 KiB  2023-02-03 09:47:21

⑥推論サービスプログラム開発

推論サービスのプログラムとしてsrc/service.pyを作成します。以下のようにコードを記述してください。

src/service.py
import bentoml
from bentoml.io import NumpyNdarray
from bentoml.io import PandasDataFrame

runner = bentoml.mlflow.get("winequality-red:latest").to_runner()

svc = bentoml.Service("winequality-red-inference", runners=[runner])

@svc.api(input=PandasDataFrame(orient="split", dtype="float64"), output=NumpyNdarray())
def predict(input_arr):
    result = runner.predict.run(input_arr)
    return result

ポイントとなるのはデコレーター@svc.apiでのIO descriptorsによるinputの指定です。MLflow UIに戻ってアーティファクトを確認すると、推論する際のinputとしてPandasのDataFrameを使うことが確認できます。なので、IO descriptorsでinputはPandasDataFrame()を指定します。

mlflow-8.png

もう1つ考慮するのは、APIコールで渡されたデータをどのようにDataFrameにするかです。例えば下記のような形式でAPIからデータが渡される場合は、PandasDataFrame()の引数でorient="split"と指定します。

APIコール時に引き渡すデータの形式
{
    "columns": [
        "alcohol", "chlorides", "citric acid", "density", "fixed acidity", "free sulfur dioxide",
        "pH", "residual sugar", "sulphates", "total sulfur dioxide", "volatile acidity"
    ],
    "data": [
        [ 10.6, 0.091, 0.09, 0.9976, 8.7, 20, 3.34, 2.5, 0.86, 49, 0.52 ]
    ]
}

これは様々なパターンが考えられるので、詳細は公式ドキュメントのAPI IO Descriptors #Tabular Data with Pandasを参照してください。

では、推論サービスが正しく動作するかを確認します。Dockerコンテナを起動し、そこでサービスを実行します。Dockerコンテナの中からBentoML model storeを参照できるようにボリューム共有している点と3000番ポートを公開している点が先ほどと異なります。

Dockerコンテナの起動
# docker run 実行
#   -vオプションでbentoml model storeを共有
#   -pオプションで3000番ポートを公開
docker run --rm -it \
    -v $(pwd):/work \
    -v ~/bentoml:/root/bentoml \
    -p 3000:3000 \
    sample-training:latest bash
（コンテナ内）サービス実行
# サービスのテスト実行
cd src
bentoml serve service:svc

サービスが起動したら、別ターミナルで下記のcurlコマンドでAPIコールをします。

別ターミナルで実行:サービスAPIの呼び出し
curl -X POST -H 'Content-Type:application/json' http://localhost:3000/predict \
--data '{"columns":["alcohol", "chlorides", "citric acid", "density", "fixed acidity", "free sulfur dioxide", "pH", "residual sugar", "sulphates", "total sulfur dioxide", "volatile acidity"], "data":[[ 10.6, 0.091, 0.09, 0.9976, 8.7, 20, 3.34, 2.5, 0.86, 49, 0.52 ]]}'

実行すると、シンプルですが下記のような感じで結果が返ってきます。

実行結果
[5.752574055174151]

⑦ビルドによるbento作成

前のステップでサービスの実行まで確認できたので、これでビルドしてbentoを作成します。bentoをビルドするにはbentofile.yamlを作成します。

  • includeでビルド対象とするファイル、excludeでビルド対象外とするファイルを指定します。
  • dockerでこれまで利用してきたカスタムのDockerイメージを指定します。
bentofile.yaml
service: "service:svc"
labels:
    owner: mlops-team
    stage: stg
include:
- "*.py"
exclude:
- "train.py"
- "__pycache__/"
docker:
    base_image: "sample-training:latest"

bentofile.yamlを作成したら、bentoml buildコマンドを実行します。

ビルドの実行
bentoml build ./src

メッセージでSuccessfully built Bentoと表示されていればビルド成功です。

実行結果
Building BentoML service "winequality-red-inference:rpulvbfdl6ub2aav" from build context "/home/ubuntu/bentoml-mlflow/src".
Packing model "winequality-red:kfbvtkvdlsqz6aav"
BentoML will not install Python to custom base images; ensure the base image 'sample-training:latest' has Python installed.
<class 'str'> is not yet supported.

██████╗░███████╗███╗░░██╗████████╗░█████╗░███╗░░░███╗██╗░░░░░
██╔══██╗██╔════╝████╗░██║╚══██╔══╝██╔══██╗████╗░████║██║░░░░░
██████╦╝█████╗░░██╔██╗██║░░░██║░░░██║░░██║██╔████╔██║██║░░░░░
██╔══██╗██╔══╝░░██║╚████║░░░██║░░░██║░░██║██║╚██╔╝██║██║░░░░░
██████╦╝███████╗██║░╚███║░░░██║░░░╚█████╔╝██║░╚═╝░██║███████╗
╚═════╝░╚══════╝╚═╝░░╚══╝░░░╚═╝░░░░╚════╝░╚═╝░░░░░╚═╝╚══════╝

Successfully built Bento(tag="winequality-red-inference:rpulvbfdl6ub2aav").

⑧デプロイ

先ほどビルドしたbentoがBento storeに格納されていることを確認して、bentoからDockerイメージを生成します。

Dockerイメージの生成
# Bento storeに格納されているBentoの確認
bentoml list

# Dockerイメージの生成
bentoml containerize winequality-red-inference:latest

成功すると最後の方に下記メッセージが表示されます。

実行結果
Successfully built Bento container for "winequality-red-inference:latest" with tag(s) "winequality-red-inference:rpulvbfdl6ub2aav"
To run your newly built Bento container, run:
    docker run -it --rm -p 3000:3000 winequality-red-inference:rpulvbfdl6ub2aav serve --production

メッセージの最終行に記載されているdocker runコマンドで推論サービスを起動することができます。

おわりに

今回はローカルPC上でMLflowとBentoMLを連携させた形で一連のプロセスを実行しました。実際に運用するには他にも考慮が必要な点がありますが、DevからOpsへの一連の流れが見えやすくなったと感じています。

1
2
0

Register as a new user and use Qiita more conveniently

  1. You get articles that match your needs
  2. You can efficiently read back useful information
  3. You can use dark theme
What you can do with signing up
Sign upLogin
1
2

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?