跳到主要内容

如何运行教程

这份简要指南将引导您了解运行这些教程的一些选项，并提供一个可用于记录结果的跟踪服务器（以及 MLflow UI 的选项）。

1. 下载 Notebook​

您可以通过单击每个教程页面顶部的“下载 Notebook”按钮来下载教程 Notebook。

2. 安装 MLflow​

通过运行以下命令从 PyPI 安装 MLflow

pip install mlflow
提示

💡 我们建议使用 venv、uv、Poetry 等工具创建新的虚拟环境，以将您的 ML 实验环境与其他项目隔离。

3. 设置 MLflow 跟踪服务器（可选）​

直接访问模式（无跟踪服务器）​

您可以启动教程并记录模型、实验，而无需设置跟踪服务器。在此模式下，您的实验数据和工件将直接保存在您当前目录下。

虽然此模式是最简单的入门方式，但不建议普遍使用

  • 只有当您从同一目录运行 mlflow ui 命令时，实验数据才会在 UI 上可见。
  • 其他团队成员无法访问实验数据。
  • 如果您不小心删除了目录，可能会丢失实验数据。

MLflow 跟踪服务器是一个集中的 HTTP 服务器，允许您无论在何处运行代码，都可以访问您的实验工件。要使用跟踪服务器，您可以在本地运行它，也可以使用托管服务。单击以下链接了解每个选项的更多信息

MLflow 可以在各种环境中使用，包括您的本地环境、本地集群、云平台和托管服务。作为开源平台，MLflow 是与供应商无关的；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。

Databricks Logo
Amazon SageMaker Logo
Azure Machine Learning Logo
Nebius Logo
Kubernetes Logo

提示

💡 如果您不是 Databricks 用户，但想免费试用其托管的 MLflow 体验，我们建议使用

Databricks 免费试用版。它提供了一个个人 Databricks 帐户，其中包含在有限时间内有效的服务积分，让您在几分钟内开始使用 MLflow 和其他 ML/AI 工具。

4. 将 Notebook 连接到跟踪服务器​

注意

如果您在 Databricks 上，可以跳过此部分，因为 Notebook 已连接到跟踪服务器和 MLflow 实验。

对于其他托管服务（例如 SageMaker、Nebius），请参阅服务提供商提供的文档。

跟踪服务器启动后，通过调用 mlflow.set_tracking_uri("http://<your-mlflow-server>:<port>") 将您的 Notebook 连接到服务器。例如，如果您在本地端口 5000 上运行跟踪服务器，您将调用

mlflow.set_tracking_uri("https://:5000")

这将确保所有 MLflow 运行、实验、跟踪和工件都记录到指定的跟踪服务器。

5. 准备运行！​

现在您已经设置好 MLflow 环境，可以运行教程了。回到教程，享受学习 MLflow 的旅程吧！🚢