可视化比较
利用 MLflow 强大的可视化工具比较多个实验的结果。根据不同项目的相关指标，快速识别性能最佳的模型并检索其相应的代码和参数。
与 mlflow.autolog 的原生机器学习库集成
mlflow.autolog() 与主流机器学习库集成，可自动记录超参数、指标和工件，从而无需手动操作即可高效跟踪和比较调优实验。
可靠的重现性
可靠地记录参数、权重、工件、代码、指标和依赖项，以确保实验能够准确恢复，从而为企业部署提供可靠的治理。
跟踪超参数调优运行
利用 MLflow 和 Optuna 之间的原生集成，使用 Spark UDF 大规模运行分布式超参数优化。MLflow 跟踪服务器提供可靠的试验数据存储，即使在节点故障后也能保持数据，确保您的优化作业在复杂的分布式环境中也能成功完成。
识别用于生产的最佳模型
通过在 MLflow UI 中直接可视化跨运行的指标，用户可以快速评估权衡并识别用于生产的最佳模型。
完整的实验生命周期
MLflow Tracking 会自动捕获每次训练迭代的参数、代码版本、指标和模型权重。记录训练好的模型、可视化结果、接口签名和数据样本，以确保整个 ML 工作流程的完整可重现性。
开始使用 MLflow
根据您的需求选择以下两种选项
参与其中
与开源社区建立联系
加入数百万 MLflow 用户