MLflow 的功能

3 分鐘

MLflow 有四個元件：

MLflow 追蹤
MLflow 專案
MLflow 模型
MLflow 模型登錄

MLflow 追蹤

資料科學家可透過 MLflow 追蹤，透過實驗處理和分析資料或定型機器學習模型。針對實驗中的每個執行，資料科學家可以記錄參數值、使用的程式庫版本、模型評估計量，以及產生的輸出檔案；包括資料視覺效果和模型檔案的映像。這項記錄實驗執行重要詳細資料的能力，可讓您稽核和比較先前模型定型執行的結果。

MLflow 專案

「MLflow 專案」是一種封裝程式碼的方式，可實現一致的部署和結果重現性。 MLflow 支援專案的數個環境 (包括使用 Conda 和 Docker)，來定義一致的 Python 程式碼執行環境。

MLflow 模型

「MLflow 提供」標準化格式來封裝用於散發的模型。此標準模式格式讓 MLflow 能夠運用從數個熱門程式庫 (包括 Scikit-Learn、PyTorch、MLlib 等) 所產生的模型。

提示

請參閱 MLflow 模型文件 \(英文\)，以取得一組完整的支援模型類別相關資訊。

MLflow 模型登錄

資料科學家可透過 MLflow 模型登錄註冊定型模型。 MLflow 模型和 MLflow 專案使用 MLflow 模型登錄，讓機器學習工程師能夠部署和提供模型，以供用戶端應用程式取用。