架构概览
MLflow 的架构简洁而灵活。无论您的需求是本地独立开发还是生产规模部署，都可以选择适合您需求的组件和后端选项。
核心组件
MLflow SDK
MLflow 提供多种语言（Python、TypeScript、Java、R）的客户端 SDK，用户通过这些 SDK 与后端进行交互。
后端存储
一个数据库（或模拟它的文件系统），用于存储实验、运行、追踪等的元数据。MLflow 通过 SQLAlchemy 支持不同的数据库，包括 postgresql、mysql、sqlite 和 mssql。有关后端存储的更多配置，请参阅 后端存储。
Artifact 存储
Artifact 存储用于持久化每次运行的（通常很大的）Artifact，例如模型权重（如序列化的 scikit-learn 模型）、图像（如 PNG 文件）、模型和数据文件（如 Parquet 文件）。这些文件太大，无法存储在跟踪后端中，并且访问频率通常低于元数据，因此更适合存储在廉价的对象存储中，例如 Amazon S3。有关支持的存储选项和低级配置，请参阅 Artifact 存储。
跟踪服务器
MLflow 跟踪服务器是一个 FastAPI 服务器，提供用于访问后端和 Artifact 存储的 REST API，并托管 MLflow UI。对于本地开发，此服务器是可选的，因为 MLflow SDK 可以直接与本地数据库和文件系统进行交互。然而，对于团队开发，该服务器至关重要，并提供了诸如访问控制等功能。有关如何配置服务器，请阅读 跟踪服务器。
常见设置
通过正确配置这些组件，您可以创建一个适合您团队开发工作流程的 MLflow 跟踪环境。下图和表格展示了几种 MLflow 跟踪环境的常见设置。
| 1. 本地主机（默认） | 2. 本地跟踪与本地数据库 | 3. 远程跟踪与 MLflow 跟踪服务器 | |
|---|---|---|---|
| 场景 | 独立开发 | 独立开发 | 团队开发 |
| 用例 | 默认情况下，MLflow 将每次运行的元数据和 Artifact 记录到本地目录 mlruns 中。这是开始使用 MLflow 跟踪的最简单方法，无需设置任何外部服务器、数据库和存储。 | 数据库后端比默认文件后端提供更好的性能和可靠性。MLflow 客户端 SDK 与 SQLAlchemy 兼容的数据库（例如 SQLite、PostgreSQL、MySQL）进行接口，以管理元数据，并将 Artifact 存储到本地文件系统。 | MLflow 跟踪服务器 作为元数据和 Artifact 的远程访问代理。这对于团队开发场景特别有用，在这些场景中，您希望将 Artifact 和实验元数据存储在具有适当访问控制的共享位置。 |
| 设置 | 无需额外设置（默认）。 | 通过 | 请参阅 Docker Compose 设置。或者，您可以使用流行的云提供商的 托管 MLflow 服务，以避免维护开销。 |