跳到主要内容

后端存储

后端存储是 MLflow Tracking 的核心组件，MLflow 在此存储 Runs、模型和实验的元数据，例如：

  • 模型 ID
  • 运行 ID
  • 开始和结束时间
  • 参数
  • 指标
  • 代码版本（仅当从 MLflow Project 启动运行时）。
  • 源文件名（仅当从 MLflow Project 启动运行时）。

请注意，大型模型构件（如模型权重文件）存储在 构件存储 中。

配置后端存储​

默认情况下，MLflow 将元数据存储在本地文件（位于 ./mlruns 目录）中，但 MLflow 也可以将元数据存储到数据库中。您可以通过以下任一方法将所需的 **跟踪 URI** 传递给 MLflow 来配置位置：

  • 设置 MLFLOW_TRACKING_URI 环境变量。
  • 在代码中调用 mlflow.set_tracking_uri()。
  • 如果您正在运行 跟踪服务器，则可以在启动服务器时设置 tracking_uri 选项，例如 mlflow server --backend-store-uri sqlite:///mydb.sqlite

继续下一节了解跟踪 URL 的支持格式。另请访问 此指南 了解如何为您的工作流正确设置后端存储。

支持的存储类型​

MLflow 支持以下类型的跟踪 URI 作为后端存储：

  • 本地文件路径（指定为 file:/my/local/dir），数据直接存储在代码执行所在的系统磁盘上。
  • 数据库，编码为 <dialect>+<driver>://<username>:<password>@<host>:<port>/<database>。MLflow 支持 mysql、mssql、sqlite 和 postgresql 方言。有关更多详细信息，请参阅 SQLAlchemy 数据库 URI。
  • HTTP 服务器（指定为 https://my-server:5000），这是一个托管 MLflow 跟踪服务器 的服务器。
  • Databricks 工作区（指定为 databricks 或 databricks://<profileName>，一个 Databricks CLI profile）。请参阅从 Databricks 外部访问 MLflow 跟踪服务器 [AWS] [Azure]，或 快速入门指南，轻松开始使用 Databricks 免费试用版上的托管 MLflow。
数据库要求

基于数据库的存储要求

使用基于数据库的存储时，请注意：

  • 模型注册表集成：模型注册表 功能需要基于数据库的存储。有关更多信息，请参阅 此 FAQ。

  • 模式迁移：mlflow server 在使用过时的模式的数据库时会失败。在启动服务器之前，请始终运行 mlflow db upgrade [db_uri] 来升级您的数据库模式。模式迁移可能导致数据库停机，并且在大型数据库上可能需要更长时间。在运行迁移之前，请务必备份您的数据库。

参数限制

在 2023 年 9 月，我们将每次运行记录的参数的最大长度从 500 增加到 8k（但内部将参数值最大长度限制为 6000）。mlflow/2d6e25af4d3e_increase_max_param_val_length 是一个不可逆的迁移脚本，它将现有数据库中的上限增加到 8k。如果您想升级，请务必小心，并在升级前备份您的数据库。

删除行为​

为了允许 MLflow Runs 被恢复，当 Runs 被删除时，其元数据和构件不会从后端存储或构件存储中自动删除。提供了 mlflow gc CLI 以永久删除已删除 Runs 的元数据和构件。

SQLAlchemy 选项​

您可以使用环境变量注入一些 SQLAlchemy 连接池选项。

MLflow 环境变量SQLAlchemy QueuePool 选项
MLFLOW_SQLALCHEMYSTORE_POOL_SIZEpool_size
MLFLOW_SQLALCHEMYSTORE_POOL_RECYCLEpool_recycle
MLFLOW_SQLALCHEMYSTORE_MAX_OVERFLOWmax_overflow

MySQL SSL 选项​

当连接到需要 SSL 证书的 MySQL 数据库时，您可以设置以下环境变量：

# Path to SSL CA certificate file
export MLFLOW_MYSQL_SSL_CA=/path/to/ca.pem

# Path to SSL client certificate file (if needed)
export MLFLOW_MYSQL_SSL_CERT=/path/to/client-cert.pem

# Path to SSL client key file (if needed)
export MLFLOW_MYSQL_SSL_KEY=/path/to/client-key.pem

然后使用您的 MySQL URI 启动 MLflow 服务器。

mlflow server --backend-store-uri="mysql+pymysql://username@hostname:port/database" --default-artifact-root=s3://your-bucket --host=0.0.0.0 --port=5000

这些环境变量将用于配置与 MySQL 服务器的 SSL 连接。

文件存储性能​

如果已安装 LibYAML 绑定，MLflow 将自动尝试使用它们。但是，如果您在使用文件存储后端时遇到任何性能问题，这可能意味着您的系统上未安装 LibYAML。在 Linux 或 Mac 上，您可以使用系统包管理器轻松安装它：

# On Ubuntu/Debian
apt-get install libyaml-cpp-dev libyaml-dev

# On macOS using Homebrew
brew install yaml-cpp libyaml

安装 LibYAML 后，您需要重新安装 PyYAML：

# Reinstall PyYAML
pip --no-cache-dir install --force-reinstall -I pyyaml