Tworzenie pulpitów nawigacyjnych za pomocą metadanych MLflow w tabelach systemowych

Za pomocą metadanych MLflow w tabelach systemowych można tworzyć pulpity nawigacyjne do analizowania eksperymentów MLflow i wykonań z całego obszaru roboczego. Korzystanie z istniejących interfejsów użytkownika MLflow oraz API REST dla tych zadań wymagałoby obszernej, czasochłonnej iteracji.

Panel sterowania ze szczegółami pojedynczego przebiegu

Aby rozpocząć wizualizowanie danych MLflow, pobierz ten przykładowy pulpit nawigacyjny jako plik JSON i zaimportuj go do obszaru roboczego. Ten pulpit nawigacyjny zawiera szkielet danych do replikowania elementów wyświetlanych na stronie szczegółów przebiegu w interfejsie użytkownika platformy MLflow.

Dla danego identyfikatora eksperymentu, identyfikatora przebiegu i nazwy metryki, wyświetla szczegóły przebiegu wraz z tagami, parametrami i wykresem metryki. Identyfikator eksperymentu i identyfikator przebiegu można uzyskać ze strony szczegółów przebiegu, zarówno z interfejsu użytkownika, jak i w samym adresie URL: https://<workspace>.databricks.com/ml/experiments/<experiment_id>/runs/<run_id>.

Jeśli przejdziesz do panelu pulpitu nawigacyjnego z menu nawigacji po lewej stronie, możesz zaimportować pulpit nawigacyjny z definicji pliku JSON tutaj. W tym miejscu możesz użyć pól wejściowych u góry, aby przefiltrować odpowiedni przebieg i eksperyment w obszarze roboczym do wykreślenia na wykresie. Możesz swobodnie eksplorować zapytania i zmieniać wykresy, aby spełniały Twoje potrzeby.

Pulpit nawigacyjny do monitorowania średniego wykorzystania procesora GPU w eksperymentach

Na czwartej karcie z powyższego pulpitu nawigacyjnego możesz wprowadzić nazwę metryki, aby uzyskać statystyki podsumowania we wszystkich eksperymentach z tą metryką w danym przedziale czasu. Te informacje mogą być przydatne do monitorowania metryk systemu zarejestrowanych przez MLflow w obszarze roboczym w celu monitorowania niewydajnego użycia procesora CPU, pamięci lub procesora GPU.

W tym przykładzie możemy zobaczyć kilka eksperymentów ze średnim użyciem procesora GPU wynoszącym mniej niż 10%, które możemy zbadać.