MLflow：用于管理机器学习生命周期的工具

MLflow 是一个开源平台，专门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

如果您是第一次接触 MLflow，这里的教程和指南是开始的好地方。这些教程和指南的重点是尽快让您掌握 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提升您的学习效果。

快速入门

一个快速指南，通过训练一个简单的 scikit-learn 模型来了解 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

一个关于如何使用 MLflow 跟踪深度学习模型训练的实践教程，以 PyTorch 为例

开始训练 →

MLflow 的传统 ML 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控制到部署和监控，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、指标可视化和构件管理。

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
• 构件存储：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

热门库的自动记录

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控制、阶段管理和模型谱系跟踪。

主要优势

• 版本控制：跟踪具有自动谱系的模型版本
• 阶段管理：将模型提升到暂存、生产和归档阶段
• 协作：团队模型审查和批准工作流
• 模型发现：在您的组织中搜索和发现模型

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

• 多个目标：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，具有自动输入验证
• 批量推理：支持批量评分和离线预测
• 生产就绪：用于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

ML 库集成

探索 MLflow 的原生 ML 库集成

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、回归等的评估指标
• 自定义评估器：创建自定义评估函数以用于特定领域的指标
• 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重现

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。