我们很高兴宣布 MLflow 0.3.0 已可用！
MLflow 0.3.0 版本已准备就绪，于 2018-07-18 发布。此版本可在 PyPI 上获取，文档已更新。以下是发布说明
重大变更
- [MLflow Server] 将 mlflow server 中的 --artifact-root 参数重命名为 --default-artifact-root，以更好地反映其用途 (#165, @aarondav)
新功能
- Spark MLlib 集成：现在我们支持在 log_model API、模型格式和 serving API 中直接记录 SparkML 模型 (#72, @tomasatdatabricks)
- 现在支持将 Google Cloud Storage 作为 artifact 存储根目录 (#152, @bnekolny)
- 支持 MLflow 运行的异步/并行执行 (#82, @smurching)
- [SageMaker] 支持删除、更新通过 SageMaker 部署的应用程序 (#145, @dbczumar)
- [SageMaker] 推送 MLflow SageMaker 容器时，现在会包含发布时的 MLflow 版本 (#124, @sueann)
- [SageMaker] 通过提供合理的默认值来简化 SageMaker 部署参数 (#126, @sueann)
- [UI] 单一元素的指标现在以条形图显示 (#118, @cryptexis)
Bug 修复
- 要求 gitpython>=2.1.0 (#98, @aarondav)
- 修复了 TensorFlow 模型加载问题，使列与导出模型的输出名称匹配 (#94, @smurching)
- 修复了当列数 >= 10 时 SparkUDF 的问题 (#97, @aarondav)
- 来自 @emres, @dmatrix, @stbof, @gsganden, @dennyglee, @anabranch, @mikehuston, @andrewmchen, @juntai-zheng 的杂项 bug 和文档修复
访问变更日志了解新功能。