我们很高兴地宣布 MLflow 1.3.0 已发布！

除了若干个 bug 和文档修复之外，MLflow 1.3.0 还包含以下主要功能和改进：

• Python 客户端现在支持使用 TensorFlow 2.0 记录和加载模型。
• 在使用 SQL 数据库作为后端的 MLflow 服务器中，获取 run 和 experiment 的性能得到了显著提升。
• 新的 GetExperimentByName REST API 端点，在 Python 客户端中用于加速 set_experiment 和 get_experiment_by_name。
• Python 客户端中新增了 mlflow.delete_run、mlflow.delete_experiment 流式 API。
• 新增 CLI 命令 (mlflow experiments csv)，用于将 experiment 的 runs 导出为 CSV。
• 现在可以通过 Python 流式 API 中的 mlflow.log_artifact 将目录记录为 artifact。
• HTML 和 geojson artifact 现在可以在 run UI 中渲染。
• Keras 自动记录支持 fit_generator Keras API。
• 打包成 Docker 容器的 MLflow 模型可以通过 Google Cloud Run 执行。
• 在本地执行基于 Docker 的 MLflow 项目时，artifact 存储配置会传播到容器中。
• Python、Java、R 客户端和 UI 现在会重试 429 (请求过多) 错误。

有关更改的完整列表，请参阅 发布变更日志，并查看 mlflow.org 上的最新文档。