MLflow 入门
如果您刚接触 MLflow 或想回顾其核心功能,这里的快速入门教程是绝佳的起点。它们将引导您逐步掌握基本概念,纯粹专注于一项任务,以便最大限度地帮助您理解如何使用 MLflow 解决特定问题。
运行教程指南
如果您从未接触过 MLflow Tracking Server(跟踪服务器),我们强烈建议您快速阅读下面的指南。它将帮助您尽快开始使用整个文档中的教程内容。
入门指南
MLflow Tracking(跟踪)
MLflow Tracking(跟踪)是 MLflow 的主要服务组件之一。在这些指南中,您将了解 MLflow Tracking 在构建 ML 模型时如何增强您的 MLOps 相关活动。
在这些 MLflow Tracking 入门指南中,您将学习如何利用 MLflow 进行以下操作:
- 记录模型的训练统计数据(损失、准确率等)和超参数
- 记录(保存)模型以便以后检索
- 使用 MLflow Model Registry(模型注册中心)注册模型以进行部署
- 加载模型并用于推理
在学习这些关键概念的过程中,您将接触到 MLflow Tracking API(跟踪 API)、MLflow Tracking UI(跟踪 UI),并学习如何将与模型训练事件相关的元数据添加到 MLflow 运行中。
通过一个快节奏的指南学习 MLflow Tracking 的基础知识,重点是查看您在 MLflow UI 中的第一个模型
通过深度教程学习与 MLflow Tracking Server(跟踪服务器)交互的细节
自动日志记录基础知识
开始使用 MLflow 的一个好方法是利用自动日志记录功能。对于 Python 生态系统中许多最流行的 ML 库,自动日志记录只需一行代码即可自动记录您的模型、指标、示例、签名和参数。
在这个简短的教程中,您将学习如何利用 MLflow 的自动日志记录功能来简化您的模型日志记录活动。
运行对比基础知识
这个快速入门教程重点介绍 MLflow UI 的运行对比功能,并提供了如何注册从超参数调优执行中找到的最佳模型的逐步说明。在本地服务注册模型后,还简要介绍了如何使用 Docker 将模型容器化以准备进行远程部署的示例。
Tracking Server(跟踪服务器)快速入门
这个快速入门教程介绍了不同类型的 MLflow Tracking Server(跟踪服务器)以及如何使用它们来记录您的 MLflow 实验。
Model Registry(模型注册中心)快速入门
这个快速入门教程介绍了如何在 MLflow Model Registry 中注册模型以及如何检索已注册的模型。
进一步学习 - 接下来是什么?
现在您已经掌握了基础知识,下面是一些推荐的教程和指南集合,它们将帮助您拓宽对 MLflow 及其 API 的理解。
- Tracking(跟踪)- 通过阅读跟踪指南了解更多关于 MLflow tracking API 的信息。
- LLMs - 通过阅读 LLMs 指南,了解如何利用尖端高级 LLMs 为您的 ML 应用程序提供支持。
- MLflow Deployment(部署)- 遵循全面的模型部署指南,了解如何将您的 MLflow 模型部署到各种部署目标。
- Model Registry(模型注册中心)- 了解MLflow Model Registry 以及它如何帮助您管理 ML 模型的生命周期。
- 深度学习库集成 - 从 PyTorch 到 TensorFlow 等等,通过阅读深度学习指南了解 MLflow 中的集成深度学习功能。
- 传统机器学习 - 了解MLflow 中的传统机器学习功能以及它们如何帮助您管理传统机器学习工作流。