MLflow Go

项目 MLflow 是机器学习社区的基石。它非常灵活，使机器学习工作流程更具可重复性、可管理性和协作性。

MLflow 的一个关键部分是实验跟踪，即记录和查询实验的系统。开发人员可以记录参数、指标、输入和工件，以跟踪不同的实验运行，将它们存储到数据库中，然后比较结果。

MLflow 中的此实验跟踪是用 Python 编写的，在处理海量数据时存在性能限制。在 G-Research，两个月内产生 10TB 的数据并不罕见。在这些情况下，我们的研究人员可能会对系统执行操作所需的时间感到沮丧。

为了解决这种情况，我们拆解了 MLflow 的组成部分，很快就看到了系统可以改进的地方——它的后端。对于我们必须执行的大量操作，写入 Python 脚本化的数据库是行不通的。我们开始设想用另一个后端替换实验跟踪。这个思路发展成了名为 FastTrackML 的项目。

Fasttrack ML

Fasttrack ML 对 G-Research 来说是一个巨大的成功，因为其 Go 语言的实现速度明显更快，并且能够处理大量数据。选择 Go 来做这个项目是因为它的并发模型基于轻量级的 goroutine 和 channel，这使得它在处理多个并发任务（例如记录实验数据、处理用户请求）方面非常高效。Go 是一种编译型语言，生成原生机器代码，与解释型的 Python 相比，执行速度更快。Go 是静态类型的，与 Python 的动态类型相比，内存使用效率更高。

在一定程度上，FastTrackML 的成功促使 MLflow 在 G-Research 内部得到应用。它使量化研究人员能够在合理的时间内处理他们的数据集和实验跟踪。

回到 MLflow

然后，G-Research 的开源团队着手将从 FastTrackML 中吸取的经验教训纳入 MLflow 本身——mlflow-go 项目是朝着这个方向迈出的第一步。它是一个 Python 包，旨在作为 MLflow 实验跟踪服务器的直接替代品。一旦 mlflow-go 包被证明是一项成熟的技术，我们希望它能被 MLflow 所吸收。

开始使用 mlflow-go 非常简单：安装 MLflow，运行 pip install mlflow-go-backend，然后在命令行运行时将 mlflow 替换为 mlflow-go。这将启动一个 Go Web 服务器，其 API 与 mlflow REST API 完全相同。

在撰写本文时，用户需要在 '--backend-store-uri' 参数中提供数据库连接字符串，因为 Go 实现目前仅支持数据库。由于使用 mlflow-go 的目的是为了其性能，因此使用实际的生产级数据库而不是文件系统是有意义的。

总结

尽管我们在 MLflow-go 中构建的后端在某些大数据应用中性能更高，但这并不意味着它将取代现有的 Python 实现。由于 Databricks 内部的 MLflow 维护者不是专门的 Golang 开发者，mlflow-go 必须在其被广泛采用之前建立自己的用户群和活跃贡献者社区。

我们发现 G-Research 非常喜欢 MLflow，但需要它具有更高的性能，尤其是在处理大型数据集时。我们预计其他组织，特别是那些具有海量数据处理需求的组织，也遇到了类似的问题。我们很想知道我们的努力是否对其他人有所帮助，所以请在 GitHub 或 Slack 上告诉我们您如何使用 MLflow，以及 FastTrackML 是否对您来说更快。