MLflow for Deep Learning
MLflow 为深度学习工作流提供了全面的实验跟踪、模型管理和部署能力。从 PyTorch 训练循环到 TensorFlow 模型，MLflow 可简化您从实验到生产的路径。
开始使用
PyTorch 指南
通过自动化的指标和工件日志记录，跟踪自定义 PyTorch 训练循环。
查看指南 →
TensorFlow 指南
将 TensorFlow 模型与自动日志记录和 TensorBoard 可视化支持集成。
查看指南 →
Keras 指南
使用 Keras 3.0 多后端功能和统一的 MLflow 跟踪。
查看指南 →
spaCy 指南
通过自动化的模型性能和工件日志记录，跟踪 spaCy NLP 管道。
查看指南 →
Transformers 指南
将 Hugging Face Transformers 与 MLflow 集成，用于 LLM 和 NLP 模型跟踪。
查看指南 →
Sentence Transformers
通过 sentence-transformers 集成，跟踪嵌入模型和相似性任务。
查看指南 →
为什么选择 MLflow 进行深度学习？
单行自动日志记录
通过为 PyTorch Lightning、TensorFlow 和 Keras 编写一行代码，即可实现全面的跟踪。
实时监控
实时跟踪跨 epoch 和 batch 的指标、损失曲线和训练进度。
模型检查点
在整个训练过程中自动保存和版本化模型检查点，并进行完整的谱系跟踪。
生产部署
使用 GPU 加速、批量推理和云平台集成来部署模型。