可视化比较
使用 MLflow 强大的可视化工具比较多个实验的结果。根据不同项目的不同指标，快速识别表现最佳的模型并检索其相应的代码和参数。
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、指标和工件，从而能够高效地跟踪和比较调优实验，无需手动操作。
可靠的可重现性
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自信的治理。
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 以规模化方式运行分布式超参数优化。MLflow 跟踪服务器提供了一个强大的试用数据存储，该存储在节点故障后仍能持久化，从而确保即使在复杂的、可扩展的分布式环境中，您的优化作业也能成功完成。
为生产环境确定最佳模型
通过直接在 MLflow UI 中可视化各个运行的指标，用户可以快速评估权衡并确定最适合生产环境的模型。
完整的实验生命周期
MLflow Tracking 会为每次训练迭代自动捕获参数、代码版本、指标和模型权重。记录训练好的模型、可视化、接口签名和数据样本，以确保整个 ML 工作流的可重现性。
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