跳到主要内容

MLflow 在 Jupyter Notebook 中进行追踪

·3分钟阅读
Daniel Lok

Thumbnail

🚀 我们很高兴宣布 MLflow Tracing（追踪）体验迎来了重大升级！

如果您不熟悉 MLflow Tracing，它是一种可观测性工具，允许您记录中间函数执行的输入和输出。它在调试生成式 AI (GenAI) 应用程序时特别有用，并且 MLflow 已经与十多个流行的 GenAI 框架集成，可以自动生成追踪，无需您更改现有代码。

从 MLflow 2.20 版本开始，您现在可以直接在 Jupyter Notebook 中查看 MLflow Trace UI，无需切换开发环境即可调试应用程序。环境切换常常会打断工作流程，而这项功能使您更容易保持专注，同时仍能可视化生成的追踪数据。

MLflow Trace UI in Jupyter Notebook

JupyterLab 中 UI 的一个示例

入门​

首先，您需要使用 MLflow Tracking Server（追踪服务器）。在底层，MLflow 客户端需要发起网络请求来获取 UI 资源和追踪数据。

如果您不使用远程服务器，您始终可以通过运行 mlflow server CLI 命令在本地启动一个。默认情况下，服务器将启动在 http://localhost:5000。

在您的 Notebook 中，只需确保 MLflow Tracking URI 设置为您的追踪服务器，即可开始使用了！

import mlflow

# replace this with your own URI, if it differs
tracking_uri = "http://localhost:5000"
mlflow.set_tracking_uri(tracking_uri)

# create a new experiment to avoid cluttering the default experiment
experiment = mlflow.set_experiment("mlflow-trace-ui-demo")

# the trace UI should now show up whenever traces are generated,
# for example:
@mlflow.trace
def add(a, b):
  return a + b

# running the traced function triggers the UI display
add(1, 2)

当发生以下任何事件时，将显示追踪 UI：

  1. 单元格中生成了一个追踪（通过自动追踪或运行手动追踪的函数时）
  2. 追踪对象被显式显示时（例如，通过 IPython 的 display() 函数）
  3. 调用 mlflow.search_traces() API 时

要亲身体验此功能，请尝试运行我们的演示 Notebook！该 Notebook 包含上述所有三种场景的详细示例，以及一个简短的 LangChain RAG 演示，以便在您的开发循环中更真实地感受此功能。

禁用和重新启用显示​

此功能默认启用，但可以通过调用 mlflow.tracing.disable_notebook_display() 随时关闭。要移除已渲染的显示，您需要重新运行单元格（或简单地清除单元格输出）。

如果要重新启用显示，可以调用 mlflow.tracing.enable_notebook_display()。

Bug 报告和反馈​

要报告 bug 或提供反馈，请在 MLflow GitHub repo 中提出问题。我们期待您的来信！