使用 MLflow 跟踪进行自动日志记录
自动日志记录是一项强大的功能，可让您在无需显式日志语句的情况下记录指标、参数和模型。您所要做的就是在训练代码之前调用 mlflow.autolog()。
import mlflow
mlflow.autolog()
with mlflow.start_run():
# your training code goes here
...
这将使 MLflow 能够自动记录有关您的运行的各种信息，包括：
- 指标 - MLflow 会根据您使用的模型和库预先选择一组要记录的指标
- 参数 - 训练指定的超参数，以及在未显式设置时库提供的默认值
- 模型签名 - 记录 模型签名 实例，该实例描述了模型的输入和输出架构
- 制品 - 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
入门方法
第 1 步 - 获取 MLflow
MLflow 可在 PyPI 上获取。如果您尚未在系统上安装它，可以使用以下命令进行安装：
pip install mlflow
第 2 步 - 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 模型启用自动日志记录：
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)
第 3 步 - 执行您的代码
python YOUR_ML_CODE.py
第 4 步 - 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，在浏览器中导航到 https://:8080 以查看结果。
自定义自动日志记录行为
您还可以通过向 mlflow.autolog() 函数传递参数来控制自动日志记录的行为。例如，您可以禁用模型检查点的日志记录，并为您的运行关联标签，如下所示：
import mlflow
mlflow.autolog(
log_model_signatures=False,
extra_tags={"YOUR_TAG": "VALUE"},
)
有关您可以使用的一系列参数，请参阅 mlflow.autolog()。
为特定库启用/禁用自动日志记录
一个常见的用例是为特定库启用/禁用自动日志记录。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 的自动日志记录，同时为 PyTorch 保持启用状态。您可以通过以下两种方式之一实现此目的：(1) 使用 PyTorch 插件仅为 PyTorch 启用自动日志记录 (2) 使用 scikit-learn 的插件并设置 disable=True 来禁用 scikit-learn 的自动日志记录。
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
通用的自动日志记录函数 mlflow.autolog() 会在您导入已安装的每个支持的库后立即为其启用自动日志记录。或者，您可以使用特定于库的自动日志记录调用，例如 mlflow.pytorch.autolog() 来显式启用（或禁用）特定库的自动日志记录。
以下列表包含 MLflow 中支持自动日志记录的最流行库：
还有许多其他集成支持自动日志记录，并且支持的库列表不断增长。请参阅专门的页面，以获取有关给定库是否支持自动日志记录的更多指导。
对于自动将模型保存为制品的插件，还会记录用于依赖关系管理的附加文件。
Keras/TensorFlow
在训练代码之前调用通用的自动日志记录函数或 mlflow.tensorflow.autolog() 以启用指标和参数的自动日志记录。例如，请尝试运行 Keras/Tensorflow 示例。
请注意，仅支持 tensorflow>=2.3 版本。与 tf.estimator 和 EarlyStopping 相关的相应指标会自动记录。例如，请尝试运行 Keras/TensorFlow 示例。
自动日志记录捕获以下信息：
| 框架 | 指标 | 参数 | 标签 | 工件 |
|---|---|---|---|---|
tf.keras | 训练损失；验证损失；用户指定的指标 | fit() 参数；优化器名称；学习率；epsilon | -- | 训练开始时的模型摘要；MLflow 模型（Keras 模型）；训练结束时的 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运行，MLflow 将自动创建一个运行来记录信息。此外，MLflow 将在通过调用 tf.keras.fit() 结束训练后自动结束该运行。
如果在 autolog() 捕获数据时已存在运行，MLflow 将记录到该运行，但训练后不会自动结束该运行。如果您希望开始新的运行上下文来记录到新运行，则必须手动停止运行。
LightGBM
在训练代码之前调用通用的自动日志记录函数 mlflow.lightgbm.autolog() 以启用指标和参数的自动日志记录。
自动日志记录捕获以下信息：
| 框架 | 指标 | 参数 | 标签 | 工件 |
|---|---|---|---|---|
| LightGBM | 用户指定的指标 | lightgbm.train 参数 | -- | 训练结束时的MLflow 模型（LightGBM 模型），带有模型签名；特征重要性；输入示例； |
如果启用了提前停止，最佳迭代时的指标将作为额外的步骤/迭代进行记录。
Paddle
在训练代码之前调用通用的自动日志记录函数 mlflow.paddle.autolog() 以启用指标和参数的自动日志记录。
自动日志记录捕获以下信息：
| 框架 | 指标 | 参数 | 标签 | 工件 |
|---|---|---|---|---|
| Paddle | 用户指定的指标 | paddle.Model.fit 参数 | -- | 训练结束时的MLflow 模型（Paddle 模型），带有模型签名 |
PySpark
在训练代码之前调用 mlflow.pyspark.ml.autolog() 以启用指标、参数和模型的自动日志记录。请参阅 PySpark 的示例用法。
pyspark ml 估计器的自动日志记录捕获以下信息：
| 指标 | 参数 | 标签 | 工件 |
|---|---|---|---|
通过 Evaluator.evaluate 获取的训练后指标 | 通过 Estimator.fit 获取的参数 |
|
|
PyTorch
在 PyTorch Lightning 训练代码之前调用通用的自动日志记录函数 mlflow.pytorch.autolog() 以启用指标、参数和模型的自动日志记录。请参阅此处的示例用法。请注意，目前 PyTorch 自动日志记录仅支持使用 PyTorch Lightning 训练的模型。
自动日志记录在调用 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；平均测试准确率；用户定义的指标 | 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；平均测试准确率；用户定义的指标。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运行，MLflow 将自动创建一个运行来记录信息，并在 pytorch_lightning.trainer.Trainer.fit() 调用完成时结束该运行。
如果在 autolog() 捕获数据时已存在运行，MLflow 将记录到该运行，但训练后不会自动结束该运行。
- 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（例如自动编码器的使用）中，仅记录第一个优化器的参数。
Scikit-learn
在训练代码之前调用 mlflow.sklearn.autolog() 以启用 sklearn 指标、参数和模型的自动日志记录。请参阅此处的示例用法。
对于估计器（例如 LinearRegression）和元估计器（例如 Pipeline）的自动日志记录会创建一个单一运行并记录：
| 指标 | 参数 | 标签 | 工件 |
|---|---|---|---|
通过 estimator.score 获取的训练分数 | 通过 estimator.get_params 获取的参数 |
| 拟合的估计器 |
对于参数搜索估计器（例如 GridSearchCV）的自动日志记录会创建一个单一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 | 训练分数 |
|
|
|
| 子 | 每个参数组合的 CV 测试分数 | 每个参数组合 |
| -- |
Spark
使用附加了 mlflow-spark JAR 的 SparkSession 进行初始化（例如 SparkSession.builder.config("spark.jars.packages", "org.mlflow.mlflow-spark")），然后调用通用的自动日志记录函数 mlflow.spark.autolog() 以在读取时启用 Spark 数据源信息的自动日志记录，无需显式日志语句。请注意，Spark ML（MLlib）模型的自动日志记录尚不支持。
自动日志记录捕获以下信息：
| 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。该标签包含每个数据源的一行 | -- |
- 此外，Spark 数据源自动日志记录是异步进行的——因此，在启动短暂的 MLflow 运行时，可能会（尽管不太可能）出现竞争条件，导致数据源信息未被记录。
对于 Pyspark 3.2.0 或更高版本，Spark 数据源自动日志记录需要将 PYSPARK_PIN_THREAD 环境变量设置为 false。
Statsmodels
在训练代码之前调用通用的自动日志记录函数 mlflow.statsmodels.autolog() 以启用指标和参数的自动日志记录。
自动日志记录捕获以下信息：
| 框架 | 指标 | 参数 | 标签 | 工件 |
|---|---|---|---|---|
| Statsmodels | 用户指定的指标 | statsmodels.base.model.Model.fit 参数 | -- | 训练结束时的MLflow 模型（statsmodels.base.wrapper.ResultsWrapper） |
- 每个重写 fit 方法的模型子类都将期望并记录其自己的参数。
XGBoost
在训练代码之前调用通用的自动日志记录函数 mlflow.xgboost.autolog() 以启用指标和参数的自动日志记录。
自动日志记录捕获以下信息：
| 框架 | 指标 | 参数 | 标签 | 工件 |
|---|---|---|---|---|
| XGBoost | 用户指定的指标 | xgboost.train 参数 | -- | 训练结束时的MLflow 模型（XGBoost 模型），带有模型签名；特征重要性；输入示例 |
如果启用了提前停止，最佳迭代时的指标将作为额外的步骤/迭代进行记录。