深度学习

深度学习领域见证了前所未有的激增，通过其处理大量数据和捕捉复杂模式的能力，彻底改变了众多行业。从自动驾驶汽车中的实时物体检测，到通过生成对抗网络创作艺术，再到聊天机器人中的自然语言处理应用，以及电子商务中的预测分析，深度学习模型处于当今人工智能驱动创新的前沿。

在深度学习领域，PyTorch、Keras、Tensorflow 等库提供了构建和训练深度学习模型的便捷工具。另一方面，MLflow 专注于深度学习中的实验跟踪问题，包括记录实验设置（学习率、批量大小等）以及训练指标（损失、准确率等）和模型（架构、权重等）。MLflow 提供了与深度学习库的原生集成，因此您可以以最小的代码更改将 MLflow 插入到现有的深度学习工作流中，并在 MLflow UI 中查看您的实验。

为什么选择 MLflow 进行深度学习？

MLflow 提供了一系列功能，助力您的深度学习工作流程：

• 实验跟踪: MLflow 跟踪您的深度学习实验，包括参数、指标和模型。您的实验将存储在 MLflow 服务器中，因此您可以跨不同实验进行比较并共享它们。

• 模型注册：您可以在 MLflow 服务器中注册您训练好的深度学习模型，以便稍后轻松检索它们进行推理。

• 模型部署：训练完成后，您可以使用 MLflow 将训练好的模型作为 REST API 端点提供服务，从而可以轻松地将其与您的应用程序集成。

实验跟踪

跟踪是 MLflow 生态系统的基石，对于深度学习的迭代性质尤为重要：

• 实验和运行: 将您的深度学习项目组织成实验，每个实验包含多个运行。每个运行捕获诸如在各个训练步骤中的指标、超参数和代码状态等关键数据。

• 工件：存储重要的输出，如深度学习模型、可视化内容，甚至是tensorboard日志。这个工件仓库确保了可追溯性和易于访问。

• 步骤中的指标: 由于深度学习的迭代性质，MLflow 允许在各个训练步骤中记录指标，提供模型进展的详细视图。

• 依赖和环境: 捕获计算环境，包括深度学习框架的版本，确保可重复性。

• 输入示例和模型签名：定义模型输入的预期格式，这对于图像或序列等复杂数据至关重要。

• UI 集成：增强的 UI 提供了深度学习运行的视觉概览，便于比较和洞察训练进度。

• 搜索功能：利用强大的搜索功能高效地浏览您的深度学习实验。

• API：以编程方式与跟踪系统交互，无缝集成深度学习工作流程。

Chart ComparisonChart CustomizationRun ComparisonStatistical EvaluationRealtime Tracking

Easier DL Model Comparison with Charts

Use charts to compare deep learning (DL) model training convergence easily. Quickly identify superior configuration sets across training iterations.

模型注册

一个集中存储你的深度学习模型的仓库：

• 版本控制：处理深度学习模型的多个迭代和版本，便于比较或回滚。

• 注解：将笔记、训练数据集或其他相关元数据附加到模型上。

• 生命周期阶段：明确每个模型版本的阶段，确保部署和进一步微调的清晰性。

模型部署

将深度学习模型从训练过渡到实际应用：

• 一致性：确保模型，特别是那些依赖GPU的模型，在不同的部署环境中行为一致。

• Docker 和 GPU 支持: 在容器化环境中部署，确保所有依赖项，包括 GPU 支持，都被封装。

• 可扩展性：从部署单个模型到服务多个分布式深度学习模型，MLflow 根据您的需求进行扩展。

本地库支持

MLflow 与常见的深度学习库（如 PyTorch、Keras 和 Tensorflow）有原生集成，因此你可以轻松地将 MLflow 接入你的工作流程，以提升你的深度学习项目。

有关如何将 MLflow 与这些库集成的详细指南，请参阅以下页面：

Learn about MLflow's native integration with the Tensorflow library and see example notebooks that leverage MLflow and Tensorflow to build deep learning workflows.

Learn about MLflow's native integration with the PyTorch library and see example notebooks that leverage MLflow and PyTorch to build deep learning workflows.

Learn about MLflow's native integration with the Keras library and see example notebooks that leverage MLflow and Keras to build deep learning workflows.

Learn about MLflow's native integration with the Spacy library and see example code.

Learn about MLflow's native integration with the FastAI library and see example code.

Learn about MLflow's native integration with the Transformers 🤗 library and see example notebooks that leverage MLflow and Transformers to build Open-Source powered solutions.