用于深度学习的 MLflow
MLflow for ML Models 为深度学习工作流提供全面的实验追踪、模型管理和部署功能。从 PyTorch 训练循环到 TensorFlow 模型，MLflow 简化了您从实验到生产的路径。
快速开始
PyTorch 指南
通过自动指标和工件记录来追踪自定义 PyTorch 训练循环。
查看指南 →
TensorFlow 指南
通过自动记录和 TensorBoard 可视化支持集成 TensorFlow 模型。
查看指南 →
Keras 指南
利用 Keras 3.0 多后端功能并结合统一的 MLflow 追踪。
查看指南 →
spaCy 指南
通过自动记录模型性能和工件来追踪 spaCy NLP 流水线。
查看指南 →
Transformers 指南
将 Hugging Face Transformers 与 MLflow 集成，用于 LLM 和 NLP 模型追踪。
查看指南 →
Sentence Transformers
通过 Sentence Transformers 集成来追踪嵌入（embedding）模型和相似度任务。
查看指南 →
为何选择 MLflow 进行深度学习？
单行代码自动记录 (Autologging)
只需一行代码，即可为 PyTorch Lightning、TensorFlow 和 Keras 启用全面追踪。
实时监控
实时追踪跨 epoch 和批次的指标、损失曲线以及训练进度。
模型检查点
在训练过程中自动保存和版本化模型检查点，并提供完整的血缘（lineage）追踪。
生产部署
部署具备 GPU 加速、批处理推理和云平台集成的模型。