深度学习
深度学习领域见证了前所未有的飞速发展，其处理海量数据和捕捉复杂模式的能力正在革新众多行业。从自动驾驶汽车的实时目标检测到通过生成对抗网络生成艺术作品，从聊天机器人中的自然语言处理应用到电子商务中的预测分析，深度学习模型正引领着当今人工智能驱动的创新浪潮。
在深度学习领域，PyTorch、Keras、TensorFlow 等库提供了构建和训练深度学习模型的便捷工具。另一方面，MLflow 旨在解决深度学习中的实验跟踪问题，包括记录您的实验设置（学习率、批大小等）以及训练指标（损失、准确率等）和模型（架构、权重等）。MLflow 提供与深度学习库的原生集成，因此您只需对代码进行最小改动，即可将 MLflow 插入到现有的深度学习工作流中，并在 MLflow UI 中查看您的实验。
为什么将 MLflow 用于深度学习？
MLflow 提供了一系列功能，为您的深度学习工作流赋能
- 实验跟踪：MLflow 跟踪您的深度学习实验，包括参数、指标和模型。您的实验将存储在 MLflow 服务器中，方便您比较不同实验并进行共享。
- 模型注册表：您可以在 MLflow 服务器中注册训练好的深度学习模型，以便后续轻松检索进行推理。
- 模型部署：训练完成后，您可以使用 MLflow 将训练好的模型作为 REST API 端点提供服务，以便轻松将其集成到您的应用程序中。
实验跟踪
跟踪是 MLflow 生态系统的基石，对于深度学习的迭代特性尤为重要
- 实验和运行：将您的深度学习项目组织成实验，每个实验包含多次运行。每次运行都捕获关键数据，例如不同训练步骤的指标、超参数和代码状态。
- 工件：存储重要输出，例如深度学习模型、可视化或 TensorBoard 日志。此工件仓库可确保可追溯性和轻松访问。
- 分步指标：鉴于深度学习的迭代特性，MLflow 允许在不同训练步骤记录指标，提供模型进展的详细视图。
- 依赖项和环境：捕获计算环境，包括深度学习框架的版本，确保可重现性。
- 输入示例和模型签名：定义模型输入的预期格式，这对于图像或序列等复杂数据至关重要。
- UI 集成：增强的 UI 提供深度学习运行的可视化概览，方便比较和深入了解训练进度。
- 搜索功能：使用强大的搜索功能高效地浏览您的深度学习实验。
- API：通过编程方式与跟踪系统交互，无缝集成深度学习工作流。
- 图表比较
- 图表定制
- 运行比较
- 统计评估
- 实时跟踪
模型注册表
深度学习模型的集中存储库
- 版本控制：处理深度学习模型的多次迭代和不同版本，方便比较或回滚。
- 注释：向模型附加注释、训练数据集或其他相关元数据。
- 生命周期阶段：清晰定义每个模型版本的阶段，确保部署和进一步微调的清晰性。
模型部署
将深度学习模型从训练过渡到实际应用
- 一致性：确保模型，尤其是那些依赖 GPU 的模型，在不同部署环境中行为一致。
- Docker 和 GPU 支持：部署在容器化环境中，确保所有依赖项（包括 GPU 支持）都已封装。
- 可伸缩性：从部署单个模型到服务多个分布式深度学习模型，MLflow 可根据您的需求进行扩展。
原生库支持
MLflow 与 PyTorch、Keras 和 TensorFlow 等常用深度学习库原生集成，您可以轻松地将 MLflow 插入您的工作流，提升您的深度学习项目。
有关如何将 MLflow 与这些库集成的详细指南，请参阅以下页面
了解 MLflow 与 TensorFlow 库的原生集成，并查看利用 MLflow 和 TensorFlow 构建深度学习工作流的示例笔记本。
了解 MLflow 与 PyTorch 库的原生集成，并查看利用 MLflow 和 PyTorch 构建深度学习工作流的示例笔记本。
了解 MLflow 与 Keras 库的原生集成，并查看利用 MLflow 和 Keras 构建深度学习工作流的示例笔记本。
了解 MLflow 与 Keras 库的原生集成，并查看利用 MLflow 和 Keras 构建深度学习工作流的示例笔记本。
了解 MLflow 与 FastAI 库的原生集成，并查看示例代码。
了解 MLflow 与 Transformers 🤗 库的原生集成，并查看利用 MLflow 和 Transformers 构建开源驱动解决方案的示例笔记本。