我们很高兴宣布 MLflow 1.5.0 已可用！

除了错误和文档修复外，MLflow 1.5.0 还包括以下主要功能和改进：

• 新增对 LightGBM flavor 的支持。
• 新增对 XGBoost flavor 的支持。
• 新增对 Gluon flavor 和 autologging 的支持。
• 由 mlflow.tensorflow.autolog() 和 mlflow.keras.autolog() 自动创建的运行现在在训练和/或导出模型后自动结束。有关更多详细信息，请参阅文档。

有关完整的更改列表，请参阅版本变更日志，并在mlflow.org上查看最新文档。

我们很高兴宣布 MLflow 1.4.0 已可用！

除了错误和文档修复外，MLflow 1.4.0 还包括以下主要功能和改进：

• 模型注册表（Beta）。MLflow 1.4.0 新增了实验性的模型注册表功能，您可以在其中管理、版本化和维护生产模型的沿袭。
• TensorFlow 更新
  • MLflow Keras 模型的保存、加载和日志记录已更新，以与 TensorFlow 2.0 兼容。
  • tf.estimator 和 tf.keras 模型的 Autologging 已更新，以与 TensorFlow 2.0 兼容。TensorFlow 1.x 中 Autologging 的相同功能在 TensorFlow 2.0 中可用，即在拟合 tf.keras 模型和导出已保存的 tf.estimator 模型时。
  • TensorFlow 1.X 和 TensorFlow 2.0 的示例和 README 文件已添加到 mlflow/examples/tensorflow 中。

有关完整的更改列表，请参阅版本变更日志，并在mlflow.org上查看最新文档。

我们很高兴宣布 MLflow 1.3.0 已可用！

除了多项错误和文档修复外，MLflow 1.3.0 还包括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
• 使用 SQL 数据库支持存储的 MLflow 服务器在获取运行和实验时性能显著提高
• 新增 GetExperimentByName REST API 端点，用于 Python 客户端以加速 set_experiment 和 get_experiment_by_name
• Python 客户端中新增 mlflow.delete_run、mlflow.delete_experiment fluent API
• 新增 CLI 命令（mlflow experiments csv）用于将实验运行导出为 CSV
• 目录现在可以通过 Python fluent API 中的 mlflow.log_artifact 作为 artifact 进行记录
• HTML 和 geojson artifact 现在在运行 UI 中渲染
• Keras autologging 支持 fit_generator Keras API
• 打包为 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
• Python、Java、R 客户端和 UI 现在会在遇到 429 (Too Many Requests) 错误时重试 HTTP 请求

有关完整的更改列表，请参阅版本变更日志，并在mlflow.org上查看最新文档。

我们很高兴宣布 MLflow 1.2.0 已可用！

除了多项错误和文档修复外，MLflow 1.2.0 还包括以下主要功能和改进：

• 实验现在具有可编辑的标签和描述
• SQLAlchemyStore 中的搜索延迟已显著降低

有关完整的更改列表，请参阅版本变更日志，并在mlflow.org上查看最新文档。

我们很高兴宣布 MLflow 1.1.0 已可用！

MLflow 1.1.0 引入了多项主要功能：

• TensorFlow 和 Keras 的自动日志记录
• 跟踪 UI 中的平行坐标图
• 基于 Pandas DataFrame 的搜索 API
• Java Fluent API
• MLflow 项目的 Kubernetes 执行后端
• 搜索分页

有关完整的更改列表，请参阅版本变更日志，并在mlflow.org上查看最新文档。

我们很高兴宣布 MLflow 0.9.1 已可用！

MLflow 0.9.1 是基于 0.9.0 的一个补丁版本，主要包含错误修复和内部改进。我们还包含了一项破坏性 API 更改，为 MLflow 1.0 及更高版本中的新增功能做准备。此版本还包含对 Search API 的显著改进。请访问版本变更日志阅读有关此版本中修复和更新的更多信息。

我们很高兴宣布 MLflow 0.9.0 已可用！

MLflow 0.9.0 引入了多项主要功能：

• 支持在 Docker 容器中运行 MLflow Projects。
• MLflow Tracking Server 的数据库存储。
• 简化自定义 Python 模型打包。
• 允许第三方库扩展 MLflow 功能的插件系统。
• R 客户端支持对 Tracking Server 进行 HTTP 认证。

以及一些破坏性更改：

• [评分] pyfunc 评分服务器现在要求 content type 为 application/json 的请求包含 split 格式的 json 序列化 pandas dataframes，而不是 records 格式。此外，从 JSON 读取 pandas dataframes 时，评分服务器不再自动推断数据类型，因为它可能导致无意的数据类型转换。
• [API] 从 REST API 中移除了 GetMetric 和 GetParam，因为它们已被 GetRun 取代。

有关完整的更改列表，请参阅版本变更日志，并在mlflow.org上查看最新文档。

我们很高兴宣布 MLflow 0.8.2 已可用！

MLflow 0.8.2 是基于 0.8.1 的一个补丁版本，包含错误修复和文档更新。请访问变更日志阅读有关此版本中引入的修复和更新的更多信息。

我们很高兴宣布 MLflow 0.8.1 已可用！ MLflow 0.8.1 引入了多项重要改进：

• 改进了 UI 响应速度和加载时间，尤其是在显示包含数百到数千次运行的实验时。

• 改进了可视化效果，包括用于比较 MLflow 运行的交互式散点图。

• 扩展了对将 Python 模型作为 Spark UDF 进行评分的支持。有关更多信息，请参阅此功能的更新文档。

• 默认情况下，保存的模型现在将包含一个 Conda 环境，指定在新环境中加载它们所需的所有依赖项。

• MLflow 项目现在可以从 ZIP 文件运行。

此版本包括对 Python 客户端、跟踪 UI 和文档的额外错误修复和改进。访问变更日志阅读有关新功能的更多信息。

我们很高兴宣布 MLflow 0.8.0 已可用！ MLflow 0.8.0 引入了多项主要功能：

• 显著改进了用于比较实验运行结果的 UI

  • 指标和参数默认分组到单个列中，以避免出现大量几乎为空的列。可以将单个指标和参数移动到自己的列中，以便于跨行比较。
  • 嵌套在其他运行中的运行（例如，作为超参数搜索或多步工作流的一部分）现在按其父运行分组显示，并且可以完全展开或折叠。在已经在某个运行中时，通过调用 mlflow.start_run 或 mlflow.run 可以嵌套运行。
  • 现在显示运行名称（而不是自动生成的运行 UUID），从而使在图表中比较运行更容易。
  • 运行结果表的当前状态，包括筛选器、排序和展开的行，会保留在浏览器本地存储中，使得在单个运行视图和表格之间来回切换更加方便。

• 支持将模型作为 Docker 容器直接部署到 Azure Machine Learning Service Workspace（而非之前推荐的 Azure ML Workbench 解决方案）。

此版本还包括对 Python 和 Java 客户端、跟踪 UI 和文档的错误修复和改进。访问变更日志阅读有关新功能的更多信息。