MLflow Go

MLflow 项目是机器学习社区的基石。它非常灵活，能够使机器学习工作流程更具可复现性、可管理性和协作性。

MLflow 的一个关键部分是实验跟踪，即用于记录和查询实验的系统。开发者可以记录参数、指标、输入和构件，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，在处理大量数据时存在性能限制。在 G-Research，2 个月内产生 10TB 的数据量并不少见。在这种情况下，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，并很快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海量操作，写入 Python 脚本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。这一思路演变成了名为 FastTrackML 的项目。

Fasttrack ML

Fasttrack ML 对 G-Research 来说是一个巨大的成功，因为它用 Go 实现，速度显著更快，并且能够处理大量数据。选择 Go 进行此项目是因为其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）方面效率极高。Go 是一种编译型语言，生成的本机机器代码，与解释型语言 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 的成功解锁了 G-Research 内部对 MLflow 的使用。它使量化研究人员能够在合理的时间范围内处理他们的数据集和实验跟踪。

回到 MLflow

然后，G-Research 的开源团队着眼于将 FastTrackML 的经验教训融入 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，旨在成为 MLflow 实验跟踪服务器的即插即用替代品。一旦 mlflow-go 包被证明是成熟的技术，我们希望它能被 MLflow 吸收。

开始使用 `mlflow-go` 就像安装 MLflow 一样简单：`pip install mlflow-go-backend`，然后在从命令行运行时将 `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，用户需要将数据库连接字符串作为 `--backend-store-uri` 参数传递，因为 Go 实现目前仅支持数据库。由于旨在利用 mlflow-go 的高性能，因此使用实际的生产级数据库而非文件系统是有意义的。

结束语

虽然我们在 MLflow-go 中构建的后端对于某些大数据应用更具性能，但这并不一定意味着它将取代现有的 Python 实现。鉴于 Databricks 中的 MLflow 维护者并非专门的 Golang 开发者，mlflow-go 必须发展自己的用户群和成熟的活跃贡献者社区，才能被广泛采用。

我们发现 G-Research 非常喜欢 MLflow，但需要它更具性能，特别是在处理大型数据集方面。我们预计其他组织，特别是那些具有海量数据处理需求的公司，也遇到了类似的问题。我们渴望了解我们的努力是否使他人受益，因此请在 GitHub 或 Slack 上告诉我们您如何使用 MLflow 以及 FastTrackML 对您来说是否更快。