跳到主要内容

Jupyter Notebook 中的 MLflow 追踪

·3 分钟阅读
Daniel Lok
Daniel Lok
Databricks 软件工程师

Thumbnail

🚀 我们很高兴地宣布对 MLflow Tracing 体验的重大升级!

如果您不熟悉 MLflow Tracing，它是一个可观测性工具，允许您记录中间函数执行的输入和输出。它在调试 GenAI 应用程序方面特别有用，MLflow 拥有超过 十几种与流行 GenAI 框架的集成，可以在不要求您更改现有代码的情况下自动生成跟踪。

从 MLflow 2.20 开始，您现在可以直接在 Jupyter notebook 中查看 MLflow Trace UI，从而无需切换到开发环境之外即可调试应用程序。上下文切换通常会扰乱工作流程，此功能使您在能够可视化生成的跟踪数据的同时，更易于保持专注。

MLflow Trace UI in Jupyter Notebook

JupyterLab 中 UI 的一个示例

入门​

要开始使用，您需要使用 MLflow 跟踪服务器。在底层，MLflow 客户端需要发出网络请求才能获取 UI 资源和跟踪数据。

如果您没有使用远程服务器，您可以随时通过运行 mlflow server CLI 命令在本地启动一个。默认情况下，服务器将启动在 https://:5000。

在您的 notebook 中，只需确保 MLflow 跟踪 URI 设置为您跟踪服务器的地址，您就可以开始了！

import mlflow

# replace this with your own URI, if it differs
tracking_uri = "https://: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)

当发生以下任一事件时，跟踪 UI 将显示出来

  1. 在单元格中生成跟踪（通过自动跟踪或在手动跟踪函数运行时）
  2. 当明确显示跟踪对象时（例如，通过 IPython 的 display() 函数）
  3. 当调用 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，以便更真实地了解此功能在开发循环中的感受。

禁用和重新启用显示​

此功能默认启用，但可以随时通过调用 mlflow.tracing.disable_notebook_display() 来关闭。要删除已渲染的显示，您需要重新运行单元格（或只需清除单元格输出）。

如果您想重新启用显示，可以调用 mlflow.tracing.enable_notebook_display()。

错误报告和反馈​

要报告错误或提供反馈，请在 MLflow GitHub 仓库中提交问题。我们期待您的反馈！