使用 MLflow Tracking 自动记录
自动记录是一项强大的功能，它允许您记录指标、参数和模型，而无需显式日志语句。您只需在训练代码之前调用 mlflow.autolog() 即可。
import mlflow
mlflow.autolog()
with mlflow.start_run():
# your training code goes here
...
这将使 MLflow 能够自动记录有关运行的各种信息，包括
- 指标 - MLflow 会根据您使用的模型和库预选一组要记录的指标
- 参数 - 为训练指定的超参数，以及如果未显式设置则由库提供的默认值
- 模型签名 - 记录 模型签名 实例，它描述了模型的输入和输出模式
- 工件 - 例如模型检查点
- 数据集 - 用于训练的数据集对象（如果适用），例如 tensorflow.data.Dataset
如何开始
步骤 1 - 获取 MLflow
MLflow 可在 PyPI 上获取。如果您的系统尚未安装 MLflow，可以使用以下命令安装它：
pip install mlflow
步骤 2 - 在您的代码中插入 mlflow.autolog
例如，以下代码片段展示了如何为 scikit-learn 模型启用自动记录
import mlflow
from sklearn.model_selection import train_test_split
from sklearn.datasets import load_diabetes
from sklearn.ensemble import RandomForestRegressor
mlflow.autolog()
db = load_diabetes()
X_train, X_test, y_train, y_test = train_test_split(db.data, db.target)
rf = RandomForestRegressor(n_estimators=100, max_depth=6, max_features=3)
# MLflow triggers logging automatically upon model fitting
rf.fit(X_train, y_train)
步骤 3 - 执行您的代码
python YOUR_ML_CODE.py
步骤 4 - 在 MLflow UI 中查看您的结果
训练作业完成后，您可以运行以下命令启动 MLflow UI
mlflow ui --port 8080
然后，在您的浏览器中导航到 https://:8080 以查看结果。
自定义自动记录行为
您还可以通过向 mlflow.autolog() 函数传递参数来控制自动记录的行为。例如，您可以按如下方式禁用模型检查点的记录并为您的运行关联标签
import mlflow
mlflow.autolog(
log_model_signatures=False,
extra_tags={"YOUR_TAG": "VALUE"},
)
请参阅 mlflow.autolog() 以获取您可以使用的所有参数。
为特定库启用/禁用自动记录
一个常见的用例是为特定库启用/禁用自动记录。例如，如果您在 PyTorch 上训练模型，但使用 scikit-learn 进行数据预处理，您可能希望禁用 scikit-learn 的自动记录，同时保持 PyTorch 的自动记录启用。您可以通过以下两种方式实现这一点：(1) 仅使用 PyTorch flavor 为 PyTorch 启用自动记录，(2) 使用其 flavor 并设置 disable=True 来禁用 scikit-learn 的自动记录。
import mlflow
# Option 1: Enable autologging only for PyTorch
mlflow.pytorch.autolog()
# Option 2: Disable autologging for scikit-learn, but enable it for other libraries
mlflow.sklearn.autolog(disable=True)
mlflow.autolog()
支持的库
通用自动记录函数 mlflow.autolog() 在您导入每个支持的库时立即为其启用自动记录。或者，您可以使用特定于库的自动记录调用，例如 mlflow.pytorch.autolog() 来显式启用（或禁用）特定库的自动记录。
以下列表涵盖了 MLflow 中支持自动记录的最常用库
还有许多其他集成支持自动记录，并且支持库的列表正在不断增长。有关给定库是否支持自动记录的更多指导，请参阅专用页面。
对于自动将模型保存为工件的 flavor，会记录用于依赖管理的附加文件。
Keras/TensorFlow
在您的训练代码之前调用通用自动记录函数或 mlflow.tensorflow.autolog() 以启用指标和参数的自动记录。作为示例，请尝试运行 Keras/Tensorflow 示例。
请注意，仅支持 tensorflow>=2.3 版本。tf.estimator 和 EarlyStopping 的相关指标会自动记录。作为示例，请尝试运行 Keras/TensorFlow 示例。
自动记录捕获以下信息
| 框架 | 指标 | 参数 | 标签 | 工件 |
|---|---|---|---|---|
tf.keras | 训练损失；验证损失；用户指定指标 | fit() 参数；优化器名称；学习率；epsilon | -- | 训练开始时的模型摘要；训练结束时的 MLflow 模型 (Keras 模型)；TensorBoard 日志 |
tf.keras.callbacks.EarlyStopping | 来自 EarlyStopping 回调的指标。例如，stopped_epoch、restored_epoch、restore_best_weight 等 | 来自 EarlyStopping 的 fit() 参数。例如，min_delta、patience、baseline、restore_best_weights 等 | -- | -- |
如果在 autolog() 捕获数据时没有活动的运行，MLflow 将自动创建一个运行来记录信息。此外，MLflow 将在训练通过调用 tf.keras.fit() 结束时自动结束该运行。
如果在 autolog() 捕获数据时已经存在一个运行，MLflow 将记录到该运行，但不会在训练结束后自动结束该运行。如果您希望为记录到新运行而启动新的运行上下文，则必须手动停止该运行。
LightGBM
在您的训练代码之前调用通用自动记录函数 mlflow.lightgbm.autolog() 以启用指标和参数的自动记录。
自动记录捕获以下信息
| 框架 | 指标 | 参数 | 标签 | 工件 |
|---|---|---|---|---|
| LightGBM | 用户指定指标 | lightgbm.train 参数 | -- | 训练结束时的 MLflow 模型 (LightGBM 模型) 和模型签名；特征重要性；输入示例； |
如果启用了提前停止，则最佳迭代的指标将作为额外的步骤/迭代记录。
Paddle
在您的训练代码之前调用通用自动记录函数 mlflow.paddle.autolog() 以启用指标和参数的自动记录。
自动记录捕获以下信息
| 框架 | 指标 | 参数 | 标签 | 工件 |
|---|---|---|---|---|
| Paddle | 用户指定指标 | paddle.Model.fit 参数 | -- | 训练结束时的 MLflow 模型 (Paddle 模型) 和模型签名 |
PySpark
在您的训练代码之前调用 mlflow.pyspark.ml.autolog() 以启用指标、参数和模型的自动记录。请参阅 PySpark 的示例用法。
pyspark ml 估计器的自动记录捕获以下信息
| 指标 | 参数 | 标签 | 工件 |
|---|---|---|---|
由 Evaluator.evaluate 获取的训练后指标 | 由 Estimator.fit 获取的参数 |
|
|
PyTorch
在您的 PyTorch Lightning 训练代码之前调用通用自动记录函数 mlflow.pytorch.autolog() 以启用指标、参数和模型的自动记录。请参阅此处的示例用法。请注意，目前 PyTorch 自动记录仅支持使用 PyTorch Lightning 训练的模型。
自动记录在调用 pytorch_lightning.trainer.Trainer.fit 时触发，并捕获以下信息
| 框架/模块 | 指标 | 参数 | 标签 | 工件 |
|---|---|---|---|---|
pytorch_lightning.trainer.Trainer | 训练损失；验证损失；平均测试准确度；用户定义指标 | fit() 参数；优化器名称；学习率；epsilon。 | -- | 训练开始时的模型摘要，训练结束时的 MLflow 模型 (PyTorch 模型)； |
pytorch_lightning.callbacks.earlystopping | 训练损失；验证损失；平均测试准确度；用户定义指标。来自 EarlyStopping 回调的指标。例如，spotted_epoch、restored_epoch、restore_best_weight 等 | fit() 参数；优化器名称；学习率；epsilon。来自 EarlyStopping 回调的参数。例如，min_delta、patience、baseline、restore_best_weights 等 | -- | 训练开始时的模型摘要；训练结束时的 MLflow 模型 (PyTorch 模型)；如果训练因提前停止回调而停止，则为最佳 PyTorch 模型检查点。 |
如果在 autolog() 捕获数据时没有活动的运行，MLflow 将自动创建一个运行来记录信息，并在调用 pytorch_lightning.trainer.Trainer.fit() 完成后结束该运行。
如果在 autolog() 捕获数据时已经存在一个运行，MLflow 将记录到该运行，但不会在训练结束后自动结束该运行。
- 在使用
pytorch_lightning.trainer.Trainer.fit()时，用户未显式传递的参数（使用默认值的参数）目前不会自动记录 - 在多优化器场景（例如使用自动编码器）中，仅记录第一个优化器的参数
Scikit-learn
在您的训练代码之前调用 mlflow.sklearn.autolog() 以启用 sklearn 指标、参数和模型的自动记录。请参阅此处的示例用法。
针对估计器（例如 LinearRegression）和元估计器（例如 Pipeline）的自动记录会创建一个单一运行并记录
| 指标 | 参数 | 标签 | 工件 |
|---|---|---|---|
由 estimator.score 获取的训练分数 | 由 estimator.get_params 获取的参数 |
| 拟合估计器 |
针对参数搜索估计器（例如 GridSearchCV）的自动记录会创建一个父运行和嵌套的子运行
- Parent run
- Child run 1
- Child run 2
- ...
包含以下数据
| 运行类型 | 指标 | 参数 | 标签 | 工件 |
|---|---|---|---|---|
| 父级 | 训练分数 |
|
|
|
| 子级 | 每个参数组合的交叉验证测试分数 | 每个参数组合 |
| -- |
Spark
使用附加了 mlflow-spark JAR 的 SparkSession 初始化（例如 SparkSession.builder.config("spark.jars.packages", "org.mlflow.mlflow-spark")），然后调用通用自动记录函数 mlflow.spark.autolog() 以在读取时自动记录 Spark 数据源信息，而无需显式日志语句。请注意，目前尚不支持 Spark ML (MLlib) 模型的自动记录。
自动记录捕获以下信息
| 框架 | 指标 | 参数 | 标签 | 工件 |
|---|---|---|---|---|
| Spark | -- | -- | 包含源路径、版本、格式的单个标签。该标签每行包含一个数据源 | -- |
- 此外，Spark 数据源自动记录是异步发生的——因此，在启动导致数据源信息未记录的短生命周期 MLflow 运行时，可能会（尽管不太可能）出现竞态条件。
对于 Pyspark 3.2.0 或更高版本，Spark 数据源自动记录要求将 PYSPARK_PIN_THREAD 环境变量设置为 false。
Statsmodels
在您的训练代码之前调用通用自动记录函数 mlflow.statsmodels.autolog() 以启用指标和参数的自动记录。
自动记录捕获以下信息
| 框架 | 指标 | 参数 | 标签 | 工件 |
|---|---|---|---|---|
| Statsmodels | 用户指定指标 | statsmodels.base.model.Model.fit 参数 | -- | 训练结束时的 MLflow 模型 (statsmodels.base.wrapper.ResultsWrapper) |
- 每个覆盖 fit 的模型子类都预期并记录其自身的参数。
XGBoost
在您的训练代码之前调用通用自动记录函数 mlflow.xgboost.autolog() 以启用指标和参数的自动记录。
自动记录捕获以下信息
| 框架 | 指标 | 参数 | 标签 | 工件 |
|---|---|---|---|---|
| XGBoost | 用户指定指标 | xgboost.train 参数 | -- | 训练结束时的 MLflow 模型 (XGBoost 模型) 和模型签名；特征重要性；输入示例 |
如果启用了提前停止，则最佳迭代的指标将作为额外的步骤/迭代记录。