MLflow 的功能

  • 3 分钟

MLflow 具有 4 个组件：

  • MLflow 跟踪
  • MLflow 项目
  • MLflow 模型
  • MLflow 模型注册表

MLflow 跟踪

使用 MLflow 跟踪，数据科学家可以进行试验，在这个过程中处理和分析数据，或训练机器学习模型。 对于试验中的每次运行，数据科学家可以记录参数值、使用的库的版本、模型评估指标和生成的输出文件，包括数据可视化效果的图像和模型文件。 通过这种记录有关试验运行的重要详细信息的功能，可以审核和比较先前模型训练执行的结果。

MLflow 项目

MLflow 项目是一种打包代码的方法，用于实现一致的部署和结果的可再现性。 MLflow 支持多个项目环境，包括使用 Conda 和 Docker 定义一致的 Python 代码执行环境。

MLflow 模型

MLflow 为打包模型提供标准化格式，以便分发。 这种标准化的模型格式使得 MLflow 可使用从多个常用库生成的模型，包括 Scikit-Learn、PyTorch 和 MLlib 等。

提示

请查看 MLflow 模型文档，了解全套受支持的模型风格。

MLflow 模型注册表

MLflow 模型注册表使数据科学家能够注册经过训练的模型。 MLflow 模型和 MLflow 项目使用 MLflow 模型注册表，使机器学习工程师可以部署和提供可供客户端应用程序使用的模型。