mlflow

# MLflow：机器学习生命周期管理平台 ## 何时使用此技能 当您需要执行以下操作时，请使用 MLflow： - **跟踪机器学习实验**：记录参数、指标和产出物 - **管理模型注册表**：进行版本控制和阶段转换 - **部署模型**：发布到各种平台（本地、云端、服务化） - **复现实验**：通过项目配置进行复现 - **比较模型版本**：对比模型版本和性能指标 - **协作**：通过团队工作流进行机器学习项目协作 - **集成**：与任何机器学习框架集成（框架无关） **用户**：20,000+ 组织 | **GitHub Stars**：23k+ | **许可证**：Apache 2.0 ## 安装 bash # 安装 MLflow pip install mlflow # 安装额外组件 pip install mlflow[extras] # 包含 SQLAlchemy, boto3 等 # 启动 MLflow UI mlflow ui # 访问地址 http://localhost:5000 ## 快速入门 ### 基础跟踪 python import mlflow # 开启一个运行 with mlflow.start_run(): # 记录参数 mlflow.log_param("learning_rate", 0.001) mlflow.log_param("batch_size", 32) # 您的训练代码 model = train_model() # 记录指标 mlflow.log_metric("train_loss", 0.15) mlflow.log_metric("val_accuracy", 0.92) # 记录模型 mlflow.sklearn.log_model(model, "model") ### 自动记录 (Autologging) python import mlflow from sklearn.ensemble import RandomForestClassifier # 启用自动记录 mlflow.autolog() # 训练（自动记录） model = RandomForestClassifier(n_estimators=100, max_depth=5) model.fit(X_train, y_train) # 指标、参数和模型会自动记录！ ## 核心概念 ### 1. 实验 (Experiments) 和 运行 (Runs) **实验**：相关运行的逻辑容器 **运行**：机器学习代码的单次执行（包含参数、指标、产出物） python import mlflow # 创建/设置实验 mlflow.set_experiment("my-experiment") # 开启一个运行 with mlflow.start_run(run_name="baseline-model"): # 记录参数 mlflow.log_param("model", "ResNet50") mlflow.log_param("epochs", 10) # 训练 model = train() # 记录指标 mlflow.log_metric("accuracy", 0.95) # 记录模型 mlflow.pytorch.log_model(model, "model") # 运行 ID 会自动生成 print(f"Run ID: {mlflow.active_run().info.run_id}") ### 2. 记录参数 python with mlflow.start_run(): # 单个参数 mlflow.log_param("learning_rate", 0.001) # 多个参数 mlflow.log_params({ "batch_size": 32, "epochs": 50, "optimizer":