MLflow：一个管理机器学习生命周期的工具

MLflow 是一个开源平台，专为协助机器学习从业者和团队处理机器学习过程的复杂性而构建。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、可追溯且可重现。

MLflow 入门资源

如果您是第一次探索 MLflow，这里的教程和指南是一个很好的起点。这些内容的重点在于让您尽快了解 MLflow 的基本功能、术语、API 以及通用最佳实践，以便在特定领域的指南和教程中增强您的学习。

快速入门

一个快速指南，通过训练一个简单的 scikit-learn 模型来学习 MLflow 的基础知识

开始学习 →

MLflow for GenAI / LLM

MLflow 的 GenAI / LLM 功能的演练，包括跟踪、评估和提示管理

开始构建 →

深度学习指南

一个实践教程，介绍如何使用 MLflow 来跟踪深度学习模型训练，以 PyTorch 为例

开始训练 →

MLflow 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了全面的支持。从实验跟踪和模型版本管理到部署和监控，MLflow 简化了 ML 生命周期的各个方面。无论您是处理 scikit-learn 模型、训练深度神经网络还是管理复杂的 ML 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。

探索下面的核心 MLflow 功能和集成，以增强您的 ML 开发工作流！

跟踪与实验

跟踪实验并管理您的 ML 开发

核心功能

MLflow Tracking 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：模型性能的内置图表和图形
• 工件存储：为每次运行存储模型、图表和其他文件
• 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 Model Registry 提供集中的模型版本管理、阶段管理和模型 lineage 跟踪。

主要优势

• 版本控制：通过自动 lineage 跟踪模型版本
• 阶段管理：将模型提升到预生产、生产和归档阶段
• 协作：团队模型审查和批准工作流
• 模型发现：搜索和发现组织中的模型

指南

模型注册表简介

模型部署

将模型部署到生产环境

核心功能

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

主要优势

• 多种目标：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，支持自动输入验证
• 批量推理：支持批量评分和离线预测
• 生产就绪：适用于企业用途的可扩展部署选项

指南

模型部署概述

本地模型服务

云部署选项

Kubernetes 部署

ML 库集成

探索 MLflow ML 库的本地集成

Scikit-learn

XGBoost

TensorFlow

PyTorch

Keras

Spark MLlib

模型评估

评估和验证您的 ML 模型

核心功能

MLflow Evaluation 提供全面的模型验证工具、自动指标计算和模型比较功能。

主要优势

• 自动指标：内置分类、回归等评估指标
• 自定义评估器：为特定领域的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的可重现性

指南

了解如何使用 MLflow 评估您的 ML 模型

发现 自定义评估指标和函数

使用 MLflow 模型验证比较模型

在任何地方运行 MLflow

MLflow 可在各种环境中运行，包括本地环境、本地集群、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，都可以访问 MLflow 的核心功能集，例如跟踪、评估、可观测性等。