当前位置：首页 > news >正文

使用 MLRun 和 MinIO 设置开发机器

news 文章来源：https://blog.csdn.net/miniopro/article/details/139853366 2025/2/6 16:49:52

MLOps 之于机器学习，就像 DevOps 之于传统软件开发一样。两者都是一组旨在改善工程团队（开发或 ML）和 IT 运营（Ops）团队之间协作的实践和原则。目标是使用自动化来简化开发生命周期，从规划和开发到部署和运营。这些方法的主要好处之一是持续改进。

在之前关于 MLOps 工具主题的文章中，我介绍了 KubeFlow Pipelines 2.0 和 MLflow。在这篇文章中，我想介绍 MLRun，这是另一个 MLOps 工具，如果您正在为您的组织购买 MLOps 工具，则应考虑使用该工具。但在深入研究之前，让我们快速了解一下 MLOps 的前景。

MLOps 格局

虽然这三种工具都旨在为您的所有 AI/ML 需求提供完整的端到端工具，但它们都以不同的动机或设计目标开始。

KubeFlow 着手实现 Kubernetes 的民主化。KubeFlow 的核心 KubeFlow Pipelines 要求代码通过部署到 Kubernetes Pod 的无服务器函数运行。
MLflow 最初是一种工具，用于跟踪实验以及与 ML 实验相关的所有内容，例如指标、项目（数据）和模型本身。MLflow 了解常用的 ML 框架，如果选择，可以要求 MLflow 自动捕获它认为重要的所有实验数据。
MLRun 的使命是消除样板代码，这与其他 MLOps 工具不同。它还需要创建无服务器函数，但它更进一步，因为它知道流行的 ML 框架——因此，不需要对纪元循环进行编码，并且对分布式训练的代码支持较低。

关于 MLRun 的更多信息

MLRun 是一个开源 MLOps 框架，最初由专门从事数据科学的公司 Iguazio 创建。2023 年 1 月，Iguazio 被麦肯锡公司收购，现在是麦肯锡人工智能部门 QuantumBlack 的一部分。

让我们看一下安装选项和需要部署的服务。

安装选项

MLRun 网站推荐了三种在本地安装 MLRun 的方法。Iguazio 还维护托管服务。

本地选项：

本地部署：在笔记本电脑或单个服务器上使用 Docker 撰写文件部署 MLRun 服务。此选项需要 Docker Desktop，并且比 Kubernetes 安装更简单。它非常适合试验 MLRun 功能;但是，您将无法横向扩展计算资源。
Kubernetes 集群：在自己的 Kubernetes 集群上部署 MLRun 服务。此选项支持弹性缩放;但是，安装起来更复杂，因为它需要您自行安装 Kubernetes。您还可以使用此选项部署到 Docker Desktop 启用的 Kubernetes 集群。
Amazon Web Services （AWS）：在 AWS 上部署 MLRun 服务。此选项是安装 MLRun 的最简单方法。MLRun 软件是免费的;但是，AWS 基础设施服务是有成本的。

托管服务：

此外，如果您不介意共享环境，那么 Iguazio 提供托管服务。Iguazio 提供 14 天免费试用。

MLRun 服务简介

MLRun UI：MLRun UI 是一个基于 Web 的用户界面，您可以在其中查看项目和项目运行。

MLRun API：MLRun API 是代码将用于创建项目和启动运行的编程接口。

Nuclio：Nuclio 是一个开源的无服务器计算平台，专为高性能应用程序而设计，特别是在数据处理、实时分析和事件驱动架构方面。它抽象了基础架构管理的复杂性，使开发人员能够专注于编写和部署函数或微服务。

MinIO：将 MLRun 部署到 Kubernetes 集群时，MLRun 使用 MinIO 进行对象存储。我们将把它包含在我们的本地 Docker compose 部署中，因为在后续的文章中，我们需要从对象存储中读取用于模型训练的数据集。当我们创建一个简单的烟雾测试笔记本时，我们也将在这篇文章中使用它，以确保 MLRun 正常启动并运行。

安装 MLRun 服务

我将在此处展示的安装与 MLRun 安装和设置指南中显示的略有不同。首先，我想在此安装中包含 MinIO，以便我们的无服务器函数可以从对象存储加载数据集。此外，我想要用于运行 Jupyter Notebooks 和 MLRun API 的单独服务。（包含 Jupyter 的 MLRun 的 Docker Compose 文件将 MLRun API 和 Jupyter Notebook 服务打包到同一服务中。最后，我将重要的环境变量放在 .env 文件中，这样就不需要手动创建环境变量。MLRun 服务的 Docker Compose 文件和 config.env 文件如下所示。您也可以在此处下载它们以及本文的所有代码。

services:init_nuclio:image: alpine:3.18command:- "/bin/sh"- "-c"- |mkdir -p /etc/nuclio/config/platform; \cat << EOF | tee /etc/nuclio/config/platform/platform.yamlruntime:common:env:MLRUN_DBPATH: http://${HOST_IP:?err}:8080local:defaultFunctionContainerNetworkName: mlrundefaultFunctionRestartPolicy:name: alwaysmaxRetryCount: 0defaultFunctionVolumes:- volume:name: mlrun-stuffhostPath:path: ${SHARED_DIR:?err}volumeMount:name: mlrun-stuffmountPath: /home/jovyan/data/logger:sinks:myStdoutLoggerSink:kind: stdoutsystem:- level: debugsink: myStdoutLoggerSinkfunctions:- level: debugsink: myStdoutLoggerSinkEOFvolumes:- nuclio-platform-config:/etc/nuclio/configjupyter:image: "mlrun/jupyter:${TAG:-1.6.2}"ports:#- "8080:8080"- "8888:8888"environment:MLRUN_ARTIFACT_PATH: "/home/jovyan/data/{{project}}"MLRUN_LOG_LEVEL: DEBUGMLRUN_NUCLIO_DASHBOARD_URL: http://nuclio:8070MLRUN_HTTPDB__DSN: "sqlite:home/jovyan/data/mlrun.db?check_same_thread=false"MLRUN_UI__URL: http://localhost:8060# using local storage, meaning files / artifacts are stored locally, so we want to allow access to themMLRUN_HTTPDB__REAL_PATH: "/home/jovyan/data"# not running on k8s meaning no need to store secretsMLRUN_SECRET_STORES__KUBERNETES__AUTO_ADD_PROJECT_SECRETS: "false"# let mlrun control nuclio resourcesMLRUN_HTTPDB__PROJECTS__FOLLOWERS: "nuclio"volumes:- "${SHARED_DIR:?err}:/home/jovyan/data"networks:- mlrunmlrun-api:image: "mlrun/mlrun-api:${TAG:-1.6.2}"ports:- "8080:8080"environment:MLRUN_ARTIFACT_PATH: "${SHARED_DIR}/{{project}}"# using local storage, meaning files / artifacts are stored locally, so we want to allow access to themMLRUN_HTTPDB__REAL_PATH: /dataMLRUN_HTTPDB__DATA_VOLUME: "${SHARED_DIR}"MLRUN_LOG_LEVEL: DEBUGMLRUN_NUCLIO_DASHBOARD_URL: http://nuclio:8070MLRUN_HTTPDB__DSN: "sqlite:data/mlrun.db?check_same_thread=false"MLRUN_UI__URL: http://localhost:8060# not running on k8s meaning no need to store secretsMLRUN_SECRET_STORES__KUBERNETES__AUTO_ADD_PROJECT_SECRETS: "false"# let mlrun control nuclio resourcesMLRUN_HTTPDB__PROJECTS__FOLLOWERS: "nuclio"volumes:- "${SHARED_DIR:?err}:/data"networks:- mlrunmlrun-ui:image: "mlrun/mlrun-ui:${TAG:-1.6.2}"ports:- "8060:8090"environment:MLRUN_API_PROXY_URL: http://mlrun-api:8080MLRUN_NUCLIO_MODE: enableMLRUN_NUCLIO_API_URL: http://nuclio:8070MLRUN_NUCLIO_UI_URL: http://localhost:8070networks:- mlrunnuclio:image: "quay.io/nuclio/dashboard:${NUCLIO_TAG:-stable-amd64}"ports:- "8070:8070"environment:NUCLIO_DASHBOARD_EXTERNAL_IP_ADDRESSES: "${HOST_IP:?err}"volumes:- /var/run/docker.sock:/var/run/docker.sock- nuclio-platform-config:/etc/nuclio/configdepends_on:- init_nuclionetworks:- mlrunminio:image: quay.io/minio/minio#network_mode: "host"volumes:#- /d/data:/data#- ./data:/data- ~/minio-data:/dataports:- 9000:9000- 9001:9001#extra_hosts:#  - "host.docker.internal:host-gateway"environment:MINIO_ROOT_USER: 'minio_user'MINIO_ROOT_PASSWORD: 'minio_password'MINIO_ADDRESS: ':9000'MINIO_STORAGE_USE_HTTPS: FalseMINIO_CONSOLE_ADDRESS: ':9001'#MINIO_LAMBDA_WEBHOOK_ENABLE_function: 'on'#MINIO_LAMBDA_WEBHOOK_ENDPOINT_function: 'http://localhost:5000'command: minio server /datahealthcheck:test: ["CMD", "curl", "-f", "http://localhost:9000/minio/health/live"]interval: 30stimeout: 20sretries: 3networks:- mlrunvolumes:nuclio-platform-config: {}networks:mlrun:name: mlrun

文件名： compose-with-jupyter-minio.yaml

# MLRun configuration
HOST_IP=127.17.0.01
SHARED_DIR=~/mlrun-data

文件名： config.env

运行下面显示的 docker-compose 命令将启动我们的服务。

docker-compose -f compose-with-jupyter-minio.yaml --env-file config.env up -d

服务在 Docker 中运行后，导航到以下 URL 以查看 Jupyter、MinIO、MLRun 和 Nuclio 的控制台。

Jupyter Notebook：http://localhost:8888/lab
MinIO控制台：http://localhost:9001/browser
MLRun 控制台：http://localhost:8060/mlrun/projects
Nuclio 控制台：http://localhost:8070/projects

在结束在开发计算机上设置 MLRun 的练习之前，让我们创建并运行一个简单的无服务器函数，以确保一切正常。

运行简单的无服务器函数

在本演示中，我们将使用 Jupyter 服务器。它已经安装了 Python mlrun 库。如果您需要其他库，可以启动终端选项卡并安装它们。我们将需要 minio Python SDK。下面的屏幕截图显示了如何启动终端窗口并安装 minio 库。

单击“终端”按钮，您将获得一个类似于下面所示的选项卡。

此选项卡的操作方式与 Mac 上的“终端”应用程序类似。它允许您将所需的任何库安装到 Jupyter 服务中，我们的函数将在其中执行。

安装库后，创建一个名为“simple demo”的新文件夹并导航到它。下载此帖子的示例代码，并将以下文件上传到新文件夹：

simple_serverless_function.py
simple_serverless_function_setup.ipynb
minio.env
mlrun.env
minio_utilities.py

我们要发送到 MLRun 的函数是 simple_serverless_function.py，如下所示。函数名称为“train_model”——我们不会在这篇文章中训练实际模型。我们只是想让无服务器函数正常工作。请注意，此函数具有“mlrun.handler（）”装饰器。它包装了能够解析和保存输入和输出的函数。此外，它不必是密封的（仅使用其中定义的资源）——它可以使用在模块级别导入的库，这些库可以是其他代码模块。在我们的例子中，我们有一个位于同一目录中的minio实用程序模块。

from typing import Dictimport mlrun
import minio_utilities as mu@mlrun.handler()
def train_model(data_bucket: str=None, training_parameters: Dict=None):logger = mu.create_logger()logger.info(data_bucket)logger.info(training_parameters)bucket_list = mu.get_bucket_list()logger.info(bucket_list)

文件名： simple_serverless_function.py

在功能方面，这个函数所做的只是记录输入参数，只是为了好玩，我正在连接到 MinIO 以获取所有存储桶的列表。作为这个简单演示的一部分，我想证明 MinIO 的连接性。minio_utilities.py 中的 get_bucket_list（）函数如下所示。


import logging
import os
import sys
from typing import Any, Dict, List, Tuplefrom dotenv import load_dotenv
from minio import Minio
from minio.error import S3ErrorLOGGER_NAME = 'train'
LOGGING_LEVEL = logging.INFOload_dotenv('minio.env')
MINIO_URL = os.environ['MINIO_URL']
MINIO_ACCESS_KEY = os.environ['MINIO_ACCESS_KEY']
MINIO_SECRET_KEY = os.environ['MINIO_SECRET_KEY']
if os.environ['MINIO_SECURE']=='true': MINIO_SECURE = True
else: MINIO_SECURE = Falsedef create_logger() -> None:logger = logging.getLogger(LOGGER_NAME)#if not logger.hasHandlers():logger.setLevel(LOGGING_LEVEL)formatter = logging.Formatter('%(process)s %(asctime)s | %(levelname)s | %(message)s')stdout_handler = logging.StreamHandler(sys.stdout)stdout_handler.setLevel(logging.DEBUG)stdout_handler.setFormatter(formatter)logger.handlers = []logger.addHandler(stdout_handler)return loggerdef get_bucket_list() -> List[str]:logger = create_logger()# Get data of an object.try:# Create client with access and secret keyclient = Minio(MINIO_URL,  # host.docker.internalMINIO_ACCESS_KEY, MINIO_SECRET_KEY,secure=MINIO_SECURE)buckets = client.list_buckets()except S3Error as s3_err:logger.error(f'S3 Error occurred: {s3_err}.')raise s3_errexcept Exception as err:logger.error(f'Error occurred: {err}.')raise errreturn buckets

文件名： minio_utilities.py

用于保存 MinIO 连接信息的“minio.env”文件如下所示。您需要获取自己的访问密钥和密钥，并将它们放入此文件中。另外，请注意，我使用“minio”作为 MinIO 的主机名。这是因为我们从与 MinIO 相同的 Docker Compose 网络中的服务进行连接。如果要从此网络外部连接到此 MinIO 实例，请使用 localhost。


MINIO_URL=minio:9000
MINIO_ACCESS_KEY=lwycuW6S5f7yJZt65tRK
MINIO_SECRET_KEY=d6hXquiXGpbmfR8OdX7Byd716hmhN87xTyCX8S0K
MINIO_SECURE=false

minio.env file

回顾一下，我们有一个无服务器函数，它记录了传递给它的所有输入参数。它还连接到 MinIO 并获取存储桶列表。我们现在唯一需要做的就是打包我们的函数并将其传递给 MLRun。我们将在 simple_serverless_function_setup.ipynb 笔记本中执行此操作。下面是这个笔记本中的单元格。

导入我们需要的库。


import os
import mlrun

下面的单元格使用“mlrun.env”文件来通知我们的环境在哪里可以找到 MLRun API 服务。它还将 MLRun 连接到兼容 S3 的对象存储，以保存项目。这是我们通过 docker compose 文件创建的 MinIO 实例。


# Set the environment:
mlrun.set_environment(env_file='mlrun.env', artifact_path='s3://mlrun/simple-demo')

# remote MLRun service address
MLRUN_DBPATH=http://mlrun-api:8080# AWS S3/services credentials
S3_ENDPOINT_URL=minio:9000
AWS_ACCESS_KEY_ID={Put MinIO access key here.}
AWS_SECRET_ACCESS_KEY={Put MinIO secret key here.}

文件名： mlrun.env file

接下来，我们创建一个 MLRun 项目。此项目将与我们的所有指标和工件相关联。用于此步骤的项目目录是代码所在的文件夹。


# Create the project:
project_name='simple-test'
project_dir = os.path.abspath('./')
project = mlrun.get_or_create_project(project_name, project_dir, user_project=False)
print(project_dir)

set_function（）方法告诉 MLRun 在哪里可以找到你的函数以及你希望它如何运行。handler 参数必须包含使用 mlrun.handler（）装饰器批注的函数的名称。

# Create the serverless function.
trainer = project.set_function("simple_serverless_function.py", name="trainer", kind="job",image="mlrun/mlrun",handler="train_model"
)

下面的单元格创建了一些示例模型训练参数。

# Sample hyperparameters
training_parameters = {'batch_size': 32,'device': 'cpu','dropout_input': 0.2,'dropout_hidden': 0.5,'epochs': 5,'input_size': 784,'hidden_sizes': [1024, 1024, 1024, 1024],'lr': 0.025,'momentum': 0.5,'output_size': 10,'smoke_test_size': -1}

最后，我们开始运行该函数，如下所示。“local”参数告诉 MLRun 在当前系统上运行该函数，在本例中为 Jupyter Notebook 服务器。如果设置为 False，则该函数将发送到 Nuclio。此外，“inputs”参数的类型需要为 Dict[str， str];如果您使用其他任何东西，则会出现错误。


# Run the function.
trainer_run = project.run_function("trainer",inputs={"data_bucket": "mnist"},params={"training_parameters": training_parameters},local=True
)

在 MLRun UI 中查看结果

功能完成后，转到 MLRun 主页以查找您的项目。单击表示项目的磁贴。我们的函数是在“简单测试”项目下运行的。

下一页将显示所有运行中与项目相关的所有内容。如下所示。

在“作业和工作流”部分下查看，然后单击要查看的运行。这将显示有关运行的详细信息，如下所示。

对调试有用的是“日志”选项卡。在这里，我们可以看到我们从简单函数中记录的消息，这些函数记录了输入参数，连接到 MinIO，然后记录了在 MinIO 中找到的所有存储桶。

摘要和后续步骤

在这篇文章中，我们使用 Docker Compose 在开发机器上安装了 MLRun。我们还创建并运行了一个简单的无服务器函数，以了解如何在 MLRun 中构建代码。我们的代码能够连接到 MinIO 以编程方式检索存储桶列表。我们还将 MLRun 配置为使用 MinIO 进行工件存储。

显然，我们简单的无服务器功能几乎没有触及 MLRun 可以做的事情的表面。接下来的步骤包括使用流行的框架实际训练模型，使用 MLRun 进行分布式训练，以及探索对大型语言模型的支持。