MLflow：管理机器学习生命周期的工具

MLflow 是一个开源平台，专门用于帮助机器学习从业者和团队处理机器学习过程中的复杂性。MLflow 专注于机器学习项目的完整生命周期，确保每个阶段都可管理、可跟踪和可复现。

MLflow 入门资源

如果您是第一次探索 MLflow，这里的教程和指南是很好的起点。这些资源的重点是让您尽快掌握 MLflow 的基本功能、术语、API 和通用最佳实践，以便在特定领域的指南和教程中更好地学习。

了解 MLflow

了解 MLflow 的核心组件

快速入门

通过我们的 5 分钟教程开始使用 MLflow

指南

通过此深度跟踪指南了解 MLflow 的核心组件

MLflow 基础知识

了解如何在 MLflow 中执行常见任务

指南

用于轻松模型跟踪的自动日志记录指南

MLflow 中的模型签名和类型验证

模型部署快速入门

使用 MLflow 进行超参数调优

MLflow 模型介绍

了解 MLflow 模型相关主题

指南

自定义 Python 模型介绍

MLflow 中的模型依赖管理

模型签名和类型验证

传统机器学习

开始使用 MLflow 的传统机器学习集成

快速入门和指南

MLflow Scikit-learn 介绍

MLflow XGBoost 使用

Spark ML 指南

使用 MLflow 进行 Prophet 时间序列预测

深度学习

开始使用 MLflow 的深度学习库集成

指南和教程

TensorFlow

PyTorch

Keras

用于 NLP 工作流的 spaCy

MLflow 支持传统机器学习和深度学习

MLflow 为传统机器学习和深度学习工作流提供全面的支持。从实验跟踪和模型版本控制，到部署和监控，MLflow 简化了机器学习生命周期的各个方面。无论您是使用 scikit-learn 模型、训练深度神经网络还是管理复杂的机器学习管道，MLflow 都提供了构建可靠、可扩展的机器学习系统所需的工具。

探索以下 MLflow 核心功能和集成，以增强您的机器学习开发工作流！

跟踪与实验

跟踪实验并管理您的机器学习开发

核心功能

MLflow 跟踪提供全面的实验日志记录、参数跟踪、指标可视化和工件管理。

主要优势

• 实验组织：跟踪和比较多个模型实验
• 指标可视化：用于模型性能的内置图表
• 工件存储：将模型、图表和其他文件与每次运行一起存储
• 协作：跨团队共享实验和结果

指南

跟踪入门

高级跟踪功能

流行库的自动日志记录

模型注册表

管理模型版本和生命周期

核心功能

MLflow 模型注册表提供集中式模型版本控制、阶段管理和模型血缘跟踪。

主要优势

• 版本控制：通过自动血缘跟踪模型版本
• 阶段管理：将模型提升到暂存、生产和归档阶段
• 协作：基于团队的模型审查和审批工作流
• 模型发现：在组织内搜索和发现模型

指南

模型注册表介绍

注册您的第一个模型

模型部署

将模型部署到生产环境

核心功能

MLflow 部署支持多种部署目标，包括 REST API、云平台和边缘设备。

主要优势

• 多目标：部署到本地服务器、云平台或容器化环境
• 模型服务：内置 REST API 服务，带自动输入验证
• 批量推理：支持批量评分和离线预测
• 生产就绪：企业使用的可扩展部署选项

指南

模型部署概述

本地模型服务

云部署选项

Kubernetes 部署

机器学习库集成

探索 MLflow 原生机器学习库集成

Scikit-learn

XGBoost

TensorFlow

PyTorch

Keras

Spark MLlib

模型评估

评估和验证您的机器学习模型

核心功能

MLflow 评估提供全面的模型验证工具、自动化指标计算和模型比较功能。

主要优势

• 自动化指标：内置的分类、回归等评估指标
• 自定义评估器：为特定领域指标创建自定义评估函数
• 模型比较：并排比较多个模型和版本
• 验证数据集：跟踪评估数据集并确保结果可复现

指南

了解如何使用 MLflow 评估您的机器学习模型

发现自定义评估指标和函数

使用 MLflow 模型比较来比较模型

随处运行 MLflow

MLflow 可以在各种环境中运行，包括本地环境、内部部署集群、云平台和托管服务。作为一个开源平台，MLflow 是厂商中立的；无论您在哪里进行机器学习，您都可以访问 MLflow 的核心功能集，例如跟踪、评估、可观察性等。