自分が思う一番簡単な方法でAzureMLのAutoMLでMLOpsを組んだ #Azureリレー

こんにちは四日市事業所の河口です。先週の藤井さんの「医療機関向け 『Microsoft Azure』対応セキュリティリファレンス 」の紹介 #Azureリレー に引き続き、毎週水曜日にAzure関連の記事を挙げるAzure リレー第9回を担当します。
今回は新しいAzure Machine LearningとAzure DevOpsを使って自動的にAutoMLで作成したモデルをAzure Container Instancesにデプロイしていきます。

準備

学習のデータセットは以下のものを使用しました。

http://archive.ics.uci.edu/ml/datasets/Iris

ダウンロードしたファイルの拡張子をcsvにしておき、先頭に以下のパラメータ名を追加します。

sepal_lengthsepal_widthpetal_lengthpetal_widthclass

Azure DevOpsと連携するのでgithubか何かのリポジトリに以下のコードを上げておきます。
ServicePrincipalAuthenticationに入力するデータは後程説明します。

name: project_environment
dependencies:
  # The python interpreter version.
  # Currently Azure ML only supports 3.5.2 and later.
- python=3.6.2
- psutil=5.3

- pip:
  - azureml-sdk[notebooks]
  - pandas==0.23.4
  - joblib
  - azureml-defaults
  - azureml.automl.runtime
---
containerResourceRequirements:
  cpu: 1
  memoryInGB: 2
computeType: ACI
location: japaneast
entryScript: score.py
runtime: python
condaFile: condaEnv.yml
schemaFile:
sourceDirectory:
enableGpu: False
baseImage:
baseImageRegistry:
from azureml.train.automl import AutoMLConfig
from azureml.core import Workspace, Dataset
from azureml.core.experiment import Experiment
from azureml.core.model import Model
from azureml.core.authentication import ServicePrincipalAuthentication

auth = ServicePrincipalAuthentication(
    tenant_id="<tenant id>",
    service_principal_id="<application id>",
    service_principal_password="<application password>")

subscription_id = '<subscription id>'
resource_group = '<resource group name>'
workspace_name = '<workspace name>'

ws = Workspace(subscription_id, resource_group, workspace_name, auth=auth)

train_data = Dataset.get_by_name(ws, name='<dataset name>')

label = "class"

automl_classifier = AutoMLConfig(
    task='classification',
    primary_metric='AUC_weighted',
    experiment_timeout_minutes=30,
    blacklist_models='XGBoostClassifier',
    training_data=train_data,
    label_column_name=label,
    n_cross_validations=2)

experiment_name = '<experience name>'

experiment = Experiment(ws, experiment_name)

run = experiment.submit(automl_classifier, show_output=True)

description = '<description>'

model = run.register_model(description=description,
                           model_name='<model name>')
import pickle
import json
import pandas as pd
import joblib
from azureml.core.model import Model
from azureml.core import Workspace, Dataset
from azureml.core.authentication import ServicePrincipalAuthentication


def init():
    global model
    global ws

    try:
        auth = ServicePrincipalAuthentication(
        tenant_id="<tenant id>",
        service_principal_id="<application id>",
        service_principal_password="<application password>")

        subscription_id = '<subscription id>'
        resource_group = '<resource group name>'
        workspace_name = '<workspace name>'

        ws = Workspace(subscription_id, resource_group,
                       workspace_name, auth=auth)

        model_path = Model.get_model_path(
            '<model name>', _workspace=ws)

        model = joblib.load(model_path)
    except Exception as e:
        print(e)


def run(raw_data):
    try:
        data = json.loads(raw_data)["data"]
        data = pd.DataFrame(data)
        data.columns = ['sepal_length', 'sepal_width',
                        'petal_length', 'petal_width']

        result = model.predict(data)
        return json.dumps({"result": result.tolist()})
    except Exception as e:
        result = str(e)
        return json.dumps({"error": result})


if __name__ == "__main__":
    init()

    test_data = '{"data":[[0,0,0,0]]}'
    prediction = run(test_data)
    print("Test result: ", prediction)

構築

1. Azure MLのワークスペース作成

2. 各項目を入力

3. 新しい Azure Machine Learning Studioを起動

4. データセット作成のローカルファイルからを選択

5. データセット名を入力し次へ

6. データストアを選択した後、参照からデータセットのファイル(Iris.csv)をアップロードし次へ

7. 列見出しを最初のファイルのヘッダーを使用するを選択し次へ

8. 入力する列や種類を決定し次へ

9. 問題がなければ作成を選択

10. 以下のリンクからAzure DevOpsにMachine Learningのツールをインストール

https://marketplace.visualstudio.com/items?itemName=ms-air-aiagility.vss-services-azureml&targetId=d424a5c7-3838-4940-a5b4-4e0fce535f2c

11. DevOpsのプロジェクトを選択しインストール

12. インストールが完了したらDevOpsの画面に遷移する

13. Project Settings -> Service connections -> New service connectionを選択

14. Azure Resource Manager -> Service principal -> Machine Learning Workspaceを選択し、各項目を入力しSave

15. Azure ポータルのActive Directoryの画面を開きアプリの登録から先ほど作成したサービスコネクションを選択する

16. ここで表示されるアプリケーション ID、テナントIDをメモしておく

17. 証明書シークレットから新しいクライアントシークレットを追加する

18. 表示される値がパスワードになるので、先ほどメモしたアプリケーションID、テナントIDと合わせて冒頭の準備で示したServicePrincipalAuthenticationに入力する

19. 再びDevOpsの画面に移りビルドパイプラインを作成する。初めにUse Python versionに3.6と入力し追加する

20. BashのTypeをFile Path、Script Pathをinstall_requirements.shとし追加する

21. Azure CLIを選択し、サブスクリプションの選択、Script TypeをShell、Script LocationをInline script、Inline Scriptをpython trainAndCreateModelにし追加する

22. Copy filesを選択し、SourceFolderに$(Build.SourcesDirectory)、TargetFolderに$(Build.ArtifactStagingDirectory)を入力し追加

23. Publish build artifactsのPath to publishに$(Build.ArtifactStagingDirectory)を入力し追加

24. 最終的にazure-pipelines.ymlが以下のようになっていれば良い

# Python package
# Create and test a Python package on multiple Python versions.
# Add steps that analyze code, save the dist with the build record, publish to a PyPI-compatible index, and more:
# https://docs.microsoft.com/azure/devops/pipelines/languages/python

trigger:
- master

resources:
- repo: self

steps:
  - task: UsePythonVersion@0
    inputs:
      versionSpec: '3.6'
      addToPath: true
      architecture: 'x64'

  - task: Bash@3
    inputs:
      filePath: 'install_requirements.sh'

  - task: AzureCLI@2
    inputs:
      azureSubscription: 'azureMLConnection2'
      scriptType: 'bash'
      scriptLocation: 'inlineScript'
      inlineScript: 'python trainAndCreateModel.py'
  
  - task: CopyFiles@2
    inputs:
      SourceFolder: '$(Build.SourcesDirectory)'
      Contents: '**'
      TargetFolder: '$(Build.ArtifactStagingDirectory)'

  - task: PublishBuildArtifacts@1
    inputs:
      PathtoPublish: '$(Build.ArtifactStagingDirectory)'
      ArtifactName: 'drop'
      publishLocation: 'Container'

25. ビルドパイプラインをトリガーすることでモデルの再トレーニングが行われ、モデルが登録される。正常に終了すればAzure ML Studioの方にモデルが登録されている

26. リリースパイプラインを作成する。テンプレートはEmpty jobを選択する

27. ArtifactsのAddからビルドパイプラインのソースを選択して追加

28. ArtifactsのAddからAzureML Model Artifactも追加する

29. Artifactsのビルドパイプラインのソースのトリガーを有効化する

30. Stagesのjobを設定する。AzureML Model Deployを選択し追加

31. 各項目を入力

  • Azure ML Workspace : サービスコネクションを選択
  • Inference config Path : inferenceConfig.ymlを選択
  • Model Deployment Target : Azure Containre Instanceを選択
  • Deployment Name : ACIの名前を入力
  • Deployment configuration file : deploymentConfig.ymlを選択
  • Overwrite existing deployment : 同名のACIを上書きするためにチェックマークを付ける

32. リリースパイプラインを走らせ正常に終了すればAzureML StudioのエンドポイントにACIが追加されている

33. 詳細にエンドポイントがあるためメモをする

34. 正常に動作するかテストする。Postman等でメモをしたエンドポイントに対してPostすることで結果が返ってくれば成功

以上でAzureMLのAutoMLでMLOpsの構築が完了しました。ここまで読んでくれた方ありがとうございます!

%d人のブロガーが「いいね」をつけました。