集成工作流程的最佳实践

整合数据版本控制（DVC）与 MLflow Tracking 为机器学习项目管理提供了强大的组合。采纳一致的做法可确保您的工作流程长期保持可理解、可维护和真正可复现。高效配合使用 DVC 和 MLflow 的建议得到归纳。

维护一致的项目结构

定义良好的项目结构是实现清晰度和自动化的基础。虽然存在灵活性，但采纳标准布局有助于团队成员理解项目并简化集成脚本的编写。

考虑类似这样的结构：

project-root/
├── .dvc/                 # DVC 内部文件
├── .git/                 # Git 内部文件
├── data/
│   ├── raw/              # 原始的、不可变数据（可能由 DVC 跟踪）
│   ├── processed/        # 处理过的数据（DVC 阶段的输出）
│   └── features/         # 特征数据（DVC 阶段的输出）
├── models/               # 训练好的模型（可能由 DVC 跟踪）
├── notebooks/            # 探索性分析笔记本
├── src/                  # 用于数据处理、训练等的源代码
│   ├── process_data.py
│   └── train_model.py
├── tests/                # 单元和集成测试
├── .dvcignore            # 指定 DVC 应忽略的文件/目录
├── .gitignore            # 指定 Git 应忽略的文件/目录
├── dvc.yaml              # DVC 流水线定义
├── mlflow_utils.py       # 用于 MLflow 日志记录的辅助函数
├── params.yaml           # 项目参数（超参数、路径）
└── requirements.txt      # Python 包依赖

要点：

• 将原始数据与处理过的数据分开。使用 dvc.yaml 中定义的 DVC 阶段来管理转换过程。
• 将源代码 (src/) 与笔记本 (notebooks/) 分开存放。src/ 中的代码通常由 DVC 流水线或脚本执行。
• 将参数集中到 params.yaml 中。此文件由 Git 跟踪，其值可被 DVC 阶段和 MLflow 日志记录使用。
• 使用 .gitignore 来指定 Git 应忽略的文件（例如，虚拟环境、未被 DVC 跟踪的大型数据文件），使用 .dvcignore 来指定 DVC 应忽略的文件（例如，跟踪目录中的临时文件）。

使用原子提交连接代码、数据和配置

可复现性依赖于了解任何给定实验运行中代码、数据、配置和环境的精确状态。构建提交以一起记录这些元素。

典型的工作流程：

1. 修改代码 (src/train_model.py) 或参数 (params.yaml)。
2. 如果数据处理发生变化，运行 dvc repro <stage_name> 来更新派生数据/特征。这会更新 dvc.lock。
3. 在 Git 中暂存更改：git add src/train_model.py params.yaml dvc.lock data/.dvc (或相关的 .dvc 文件/目录)。
4. 提交更改：git commit -m "feat: Tune hyperparameters for model X"
5. 推送代码和 DVC 元数据：git push
6. 推送由 DVC 跟踪的数据/模型产物：dvc push

每个 Git 提交应表示一个连贯的更改，连接所使用的代码版本、数据版本（通过 .dvc 文件和 dvc.lock）以及配置 (params.yaml)。MLflow 会自动记录与运行关联的 Git 提交哈希值，从而创建回溯到此快照的链接。

明确连接 DVC 数据版本与 MLflow 运行

虽然 MLflow 会记录 Git 提交，这通过 .dvc 文件间接指向由 DVC 跟踪的数据，但在 MLflow 中明确记录数据版本信息可以增加清晰度。

策略包括：

• 将数据哈希值作为参数记录： 在训练之前，使用 DVC 命令检索输入数据的哈希值，并将其作为 MLflow 参数记录。

  import dvc.api
  import mlflow
  
  # 获取处理过的数据目录的哈希值
  data_version = dvc.api.read('data/processed/features.csv.dvc') # 读取 .dvc 文件内容
  # 或者如果使用较新的 DVC 版本，获取目录本身的哈希值
  # data_status = dvc.api.status(['data/processed'], show_checksum=True)
  # data_hash = data_status['data/processed'].get('checksum')
  
  with mlflow.start_run():
      # 记录 DVC 哈希值（示例，需要从 dvc.api.read 输出中解析）
      # 假设从 read() 输出中提取了 'md5'
      # mlflow.log_param("dvc_data_md5", data_version['outs'][0]['md5'])
      mlflow.log_param("dvc_input_data", "data/processed/features.csv") # 记录路径
      # 记录 params.yaml 中的参数
      # ...
      # 训练模型
      # ...
      # 记录指标
      # ...
  

  注：可能需要从 dvc.api.read 中解析特定的哈希值或使用其他方法，具体取决于您的 DVC 版本和设置。
• 将 dvc.lock 作为产物记录： dvc.lock 文件包含所有流水线输出的精确哈希值。将此文件作为 MLflow 产物记录可提供流水线驱动实验的数据依赖关系的完整快照。

  mlflow.log_artifact("dvc.lock")
  

• 使用标签： 使用 mlflow.set_tag() 记录与数据版本相关的 Git 分支或描述性标签。

借助 DVC 流水线实现自动化

将您的工作流程步骤（数据处理、特征工程、训练）定义为 dvc.yaml 中的阶段，而不是仅仅依赖手动运行的独立脚本或笔记本。

好处：

• 自动化： 当依赖项（代码、数据、参数）发生变化时，dvc repro 只自动重新运行必要的阶段。
• 依赖跟踪： DVC 管理阶段之间的关系，确保正确的执行顺序。
• 可复现性： dvc.yaml 和 dvc.lock 明确定义了工作流程及其结果。

将 MLflow 日志记录直接集成到 DVC 阶段执行的命令中：

# dvc.yaml
stages:
  process_data:
    cmd: python src/process_data.py --config=params.yaml
    deps:
      - data/raw/input.csv
      - src/process_data.py
    params:
      - processing.param1
    outs:
      - data/processed/features.csv

  train:
    cmd: python src/train_model.py --config=params.yaml
    deps:
      - data/processed/features.csv
      - src/train_model.py
    params:
      - training.learning_rate
      - training.epochs
    metrics:
      - metrics.json: # DVC 可以跟踪文件中的指标
          cache: false
    plots:
      - plots/confusion_matrix.png: # DVC 可以跟踪绘图
          cache: false
          x: actual
          y: predicted
    outs:
      - models/model.pkl # 使用 DVC 跟踪最终模型

您的 src/train_model.py 脚本将包含必要的 mlflow.start_run()、mlflow.log_param()、mlflow.log_metric() 和 mlflow.log_artifact() 调用。如果需要，它还应将指标写入 metrics.json，将绘图写入 plots/ 以供 DVC 跟踪。

集中配置

使用 params.yaml 这样的配置文件（由 Git 跟踪）来存储超参数、文件路径和其他设置。

• 在您的 dvc.yaml 阶段中，使用 params 部分引用 params.yaml 中的参数。
• 在您的 Python 脚本 (src/*.py) 中加载 params.yaml，以便在执行期间访问参数。
• 使用 mlflow.log_params() 将 params.yaml 中的相关参数记录到 MLflow。

这使得配置在 DVC 流水线定义、脚本执行和 MLflow 跟踪中保持一致。

决定大型产物的跟踪位置

DVC 和 MLflow 都可以存储产物，但它们的目的略有不同：

• DVC： 针对大型文件（数据集、模型）进行了优化，与 Git 紧密集成以进行版本控制，并使用远程存储（S3、GCS 等）。是可复现流水线阶段输入/输出的理想选择。
• MLflow： 存储与特定运行相关的产物（模型、绘图、任意文件），通常与指标/参数一起存储在其后端（本地文件、S3、数据库等）。适用于运行特有的输出和模型注册集成。

建议：

• 使用 DVC 跟踪大型输入数据集以及您主流水线 (dvc.yaml) 输出的最终“生产候选”模型。
• 使用 MLflow 记录与实验运行直接相关的产物，例如评估绘图、超参数调优期间生成的模型文件（在选择最终模型之前）或诊断信息。您可以将 DVC 跟踪的模型的路径作为 MLflow 参数/标签进行记录，以供参考。

确保环境一致性

可复现性也包括软件环境。

• 在 requirements.txt（针对 pip）或环境文件（针对 Conda）中固定依赖项。使用 Git 跟踪此文件。
• 考虑将 requirements.txt 文件本身作为 MLflow 产物记录到每次运行中。
• 为了更严格的控制，使用 Docker 等容器化工具，可以在由 Git 跟踪的 Dockerfile 中定义环境。

遵循这些做法，您可以创建一个系统，其中 DVC 管理您的数据生命周期和流水线执行，而 MLflow 则提供您实验的详细记录。这种集成方法显著提升了机器学习项目的可复现性、协作性和可维护性。