试用托管式MLflow
Databricks 免费试用 提供了一个无需事先拥有云提供商访问权限即可体验 Databricks 平台的机会。在试用期内，大多数 Databricks 功能（包括完整的 MLflow 功能）都可用，让您能够使用试用积分探索该平台。您只需使用电子邮件创建账户，除非您决定升级到付费计划并注册您的付款信息，否则不会收费。
开始您的试用
要开始 Databricks 免费试用，请访问 Databricks 试用注册页面 并按照其中概述的说明进行操作。设置大约需要 5 分钟，之后您将可以访问一个近乎完全功能的 Databricks Workspace，用于记录您的教程实验、跟踪、模型和工件。
您已经拥有 Databricks 试用账户了吗？如果您想登录并返回 MLflow UI，请 单击此处。
入门
首次登录时，您将被引导至 MLflow Tracing 教程，让您有机会尝试 MLflow 最强大的 GenAI 功能之一。
只需点击其中一个教程，您就可以在几分钟内测试 MLflow 的仪器化功能。
导航 Databricks UI
否则，当您再次访问 Databricks Workspace 并登录后，您将看到一个如下所示的着陆页
要访问 MLflow UI，您可以通过单击左侧的“Experiments”（实验）链接（由实验室烧杯图标表示）进行导航。当您首次在 Databricks 上进入 MLflow UI 时，您会看到这个
关于在哪里运行 Notebook 的决定
使用 Databricks 托管的 MLflow 实例，您有两个选项可以运行教程 Notebook：直接将 Notebook 导入 Databricks Workspace，或者在本地运行 Notebook 并将 Databricks Workspace 用作远程跟踪服务器。
直接将 Notebook 导入 Databricks Workspace
一旦您进入 Databricks Workspace 的主页面，您就可以导入本教程中的任何 Notebook。首先，点击教程页面上的“Download this Notebook”按钮下载教程 Notebook。然后导航到左侧的“Workspace”（工作区）选项卡，点击该链接打开工作区页面。在那里，导航到 Home，然后右键单击即可弹出“Import”（导入）选项。下图显示了如果您要直接从 MLflow 文档网站导入 Notebook 时导入对话框应有的样子
此时，您就可以直接运行教程了。任何对 MLflow 的创建实验、启动运行、记录元数据和保存工件的调用都将由您完全管理，您的记录历史将出现在 MLflow UI 中。
在 Databricks 平台上，为每个 Notebook 自动创建一个 MLflow 实验，您可以跳过教程中的 mlflow.set_tracking_uri() 和 mlflow.set_experiment() 调用。
在本地运行 Notebook 并将 Databricks Workspace 用作远程跟踪服务器
为了保持在本地机器的舒适范围内，同时仍然可以使用托管的 MLflow 跟踪服务器，您需要
- 生成个人访问令牌 (PAT)
- 在您的开发环境中设置 Databricks Workspace 身份验证。
- 在您的 MLflow 实验会话中连接到您的 Databricks Workspace。
生成 PAT
如果您正在学习 Tracing 教程，在产品内的两个教程中，这些步骤都已为您处理。您可以直接在教程中生成远程访问令牌。
否则，请按照此指南中的步骤操作，以创建 PAT 来远程访问您的 Databricks Workspace。
安装依赖项
在您的开发环境中运行以下命令来安装依赖项。
%pip install -q 'mlflow[genai]'
设置 Databricks Workspace 身份验证
要设置 Databricks Workspace 身份验证，我们可以使用 API mlflow.login()，它会提示您输入所需信息
- Databricks Host：使用“https://<your workspace host>.cloud.databricks.com/
- Token：您 Databricks Workspace 的个人访问令牌。
如果身份验证成功，您应该会看到消息“Successfully signed in to Databricks!”。
import mlflow
mlflow.login()
2025/02/19 12:25:04 INFO mlflow.utils.credentials: No valid Databricks credentials found, please enter your credentials...
Databricks Host (should begin with https://): https://<your workspace host>.cloud.databricks.com/
Token: ········
2025/02/19 12:26:24 INFO mlflow.utils.credentials: Successfully connected to MLflow hosted tracking server! Host: https://<your workspace host>.cloud.databricks.com.
将 MLflow 会话连接到 Databricks Workspace
我们已经设置了凭据，现在我们需要告诉 MLflow 将数据发送到 Databricks Workspace。为此，我们将使用 mlflow.set_tracking_uri("databricks") 将 MLflow 端口连接到 Databricks Workspace。基本上就是下面的命令。请注意，您需要始终使用“databricks”作为关键字。
mlflow.set_tracking_uri("databricks")
现在您已准备就绪！让我们尝试启动一个 MLflow 实验并记录一些虚拟指标，然后在 UI 中查看。
将工件记录到 Unity Catalog（可选）
为了将所有工件保存在一个地方，您可以选择使用 Unity Catalog 的 Volumes 功能。首先，您需要按照此指南创建一个 Unity Catalog Volume test.mlflow.check-databricks-connection。然后，您可以运行以下代码来启动一个使用 Unity Catalog Volume 的实验并向其记录指标。请注意，在使用 Databricks Workspace 时，您的实验名称必须遵循 /Users/<your email>/<experiment_name> 格式。
mlflow.create_experiment(
"/Users/<your email>/check-databricks-connection",
artifact_location="dbfs:/Volumes/test/mlflow/check-databricks-connection",
)
mlflow.set_experiment("/Users/<your email>/check-databricks-connection")
with mlflow.start_run():
mlflow.log_metric("foo", 1)
mlflow.log_metric("bar", 2)
2025/02/19 12:26:33 INFO mlflow.tracking.fluent: Experiment with name '/Users/<your email>/check-databricks-connection' does not exist. Creating a new experiment.
在您的 Databricks Workspace 中查看您的实验
现在，让我们导航到您的 Databricks Workspace 来查看实验结果。登录到您的 Databricks Workspace，然后单击左上角的下拉列表以选择 Machine Learning。然后单击实验图标。请参阅下面的屏幕截图
在“Experiments”（实验）视图中，您应该能够找到名为“check-databricks-connection”的实验，类似于
单击运行名称（在我们的示例中是“skillful-jay-111”——这是一个随机生成的名称，您将在 Databricks 控制台中看到不同的名称）会将您带到运行视图，类似于
在运行视图中，您将看到您的虚拟指标“foo”和“bar”已成功记录。
此时，您已准备就绪！您可以在本地运行任何教程，它们将记录到托管的 MLflow 跟踪服务器。