可视化比较
利用 MLflow 强大的可视化工具，跨多个实验比较结果。根据不同项目的各种关注指标，快速识别性能最佳的模型，并检索其对应的代码和参数。
与 mlflow.autolog 的原生 ML 库集成
mlflow.autolog() 与流行的 ML 库集成，可自动记录超参数、指标和构件，从而无需手动操作即可高效跟踪和比较调优实验。
可靠的复现性
可靠地记录参数、权重、构件、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 跟踪服务器提供强大的试验数据存储，即使在节点故障时也能持久存在，从而确保您的优化作业在复杂的可扩展分布式环境中成功完成。
识别适合生产的最佳模型
通过直接在 MLflow UI 中可视化运行的指标，用户可以快速评估权衡并识别适合生产的最佳模型。
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。记录训练模型、可视化、接口签名和数据样本，以确保整个 ML 工作流程的完整复现性。
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