MLflow-Bereitstellung
Änderungen vorschlagen
PDFs
In diesem Abschnitt werden die Aufgaben beschrieben, die Sie ausführen müssen, um MLflow in Ihrem Kubernetes-Cluster bereitzustellen.
|
Es ist möglich, MLflow auf anderen Plattformen als Kubernetes bereitzustellen. Die Bereitstellung von MLflow auf anderen Plattformen als Kubernetes liegt außerhalb des Umfangs dieser Lösung. |
Voraussetzungen
Bevor Sie die in diesem Abschnitt beschriebene Bereitstellungsübung durchführen, gehen wir davon aus, dass Sie die folgenden Aufgaben bereits ausgeführt haben:
-
Sie verfügen bereits über einen funktionierenden Kubernetes-Cluster.
-
Sie haben NetApp Trident bereits in Ihrem Kubernetes-Cluster installiert und konfiguriert. Weitere Einzelheiten zu Trident finden Sie im"Trident -Dokumentation" .
Helm installieren
MLflow wird mit Helm bereitgestellt, einem beliebten Paketmanager für Kubernetes. Bevor Sie MLflow bereitstellen, müssen Sie Helm auf Ihrem Kubernetes-Steuerknoten installieren. Um Helm zu installieren, folgen Sie den "Installationsanweisungen" in der offiziellen Helm-Dokumentation.
Standardmäßige Kubernetes-Speicherklasse festlegen
Bevor Sie MLflow bereitstellen, müssen Sie eine Standard-StorageClass in Ihrem Kubernetes-Cluster festlegen. Um eine Standard-StorageClass innerhalb Ihres Clusters festzulegen, folgen Sie den Anweisungen im"Kubeflow-Bereitstellung" Abschnitt. Wenn Sie in Ihrem Cluster bereits eine Standard-StorageClass festgelegt haben, können Sie diesen Schritt überspringen.
MLflow bereitstellen
Sobald die Voraussetzungen erfüllt sind, können Sie mit der MLflow-Bereitstellung mithilfe des Helm-Diagramms beginnen.
Konfigurieren Sie die Bereitstellung des MLflow Helm-Diagramms.
Bevor wir MLflow mithilfe des Helm-Diagramms bereitstellen, können wir die Bereitstellung so konfigurieren, dass die NetApp Trident Storage Class verwendet wird, und mithilfe einer config.yaml-Datei andere Parameter an unsere Anforderungen anpassen. Ein Beispiel für eine config.yaml-Datei finden Sie unter: https://github.com/bitnami/charts/blob/main/bitnami/mlflow/values.yaml
|
|
Sie können die Trident -Speicherklasse unter dem Parameter global.defaultStorageClass in der Datei config.yaml festlegen (z. B. Speicherklasse: „ontap-flexvol“). |
Installieren des Helm-Diagramms
Das Helm-Diagramm kann mit der benutzerdefinierten Datei config.yaml für MLflow mithilfe des folgenden Befehls installiert werden:
helm install oci://registry-1.docker.io/bitnamicharts/mlflow -f config.yaml --generate-name --namespace jupyterhub|
|
Der Befehl stellt MLflow über die bereitgestellte Datei config.yaml in der benutzerdefinierten Konfiguration auf dem Kubernetes-Cluster bereit. MLflow wird im angegebenen Namespace bereitgestellt und für die Version wird über Kubernetes ein zufälliger Versionsname vergeben. |
Bereitstellung prüfen
Nachdem die Bereitstellung des Helm-Diagramms abgeschlossen ist, können Sie mit folgendem Befehl überprüfen, ob auf den Dienst zugegriffen werden kann:
kubectl get service -n jupyterhub|
|
Ersetzen Sie jupyterhub durch den Namespace, den Sie während der Bereitstellung verwendet haben. |
Sie sollten die folgenden Dienste sehen:
NAME TYPE CLUSTER-IP EXTERNAL-IP PORT(S) AGE
mlflow-1719843029-minio ClusterIP 10.233.22.4 <none> 80/TCP,9001/TCP 25d
mlflow-1719843029-postgresql ClusterIP 10.233.5.141 <none> 5432/TCP 25d
mlflow-1719843029-postgresql-hl ClusterIP None <none> 5432/TCP 25d
mlflow-1719843029-tracking NodePort 10.233.2.158 <none> 30002:30002/TCP 25d|
|
Wir haben die Datei config.yaml bearbeitet, um den NodePort-Dienst für den Zugriff auf MLflow über Port 30002 zu verwenden. |
Zugriff auf MLflow
Sobald alle mit MLflow verbundenen Dienste betriebsbereit sind, können Sie über die angegebene NodePort- oder LoadBalancer-IP-Adresse darauf zugreifen (z. B. http://10.61.181.109:30002 )