mlflow.config

mlflow.config.disable_system_metrics_logging()

在全局范围内禁用系统指标日志记录。

调用此函数将全局禁用系统指标记录，但用户仍然可以通过mlflow.start_run(log_system_metrics=True)为单次运行选择启用系统指标记录。

mlflow.config.enable_async_logging(enable=True)

全局启用或禁用异步日志记录。

Parameters

enable – bool, 如果为 True，则启用异步日志记录。如果为 False，则禁用异步日志记录。

Example

import mlflow

mlflow.config.enable_async_logging(True)

with mlflow.start_run():
    mlflow.log_param("a", 1)  # This will be logged asynchronously

mlflow.config.enable_async_logging(False)
with mlflow.start_run():
    mlflow.log_param("a", 1)  # This will be logged synchronously

mlflow.config.enable_system_metrics_logging()

在全局启用系统指标日志记录。

调用此函数将全局启用系统指标记录，但用户仍然可以通过 mlflow.start_run(log_system_metrics=False) 为单个运行选择退出系统指标记录。

mlflow.config.get_registry_uri() → str

获取当前注册表 URI。如果未指定，默认为跟踪 URI。

Returns

注册表的 URI。

# Get the current model registry uri
mr_uri = mlflow.get_registry_uri()
print(f"Current model registry uri: {mr_uri}")

# Get the current tracking uri
tracking_uri = mlflow.get_tracking_uri()
print(f"Current tracking uri: {tracking_uri}")

# They should be the same
assert mr_uri == tracking_uri

Current model registry uri: file:///.../mlruns
Current tracking uri: file:///.../mlruns

mlflow.config.get_tracking_uri() → str

获取当前 tracking URI。 这可能与当前活动运行的 tracking URI 不一致，因为 tracking URI 可以通过 set_tracking_uri 更新。

Returns

跟踪 URI。

import mlflow

# Get the current tracking uri
tracking_uri = mlflow.get_tracking_uri()
print(f"Current tracking uri: {tracking_uri}")

Current tracking uri: file:///.../mlruns

mlflow.config.is_tracking_uri_set()

如果 tracking URI 已设置则返回 True，否则返回 False。

mlflow.config.set_registry_uri(uri: str) → None

设置注册表服务器 URI。此方法在你的注册表服务器与跟踪服务器不同的情况下特别有用。

Parameters

uri – 一个空字符串，或以 file:/ 为前缀的本地文件路径。数据存储在提供的文件中（如果为空，则存储在 ./mlruns）。类似 https://my-tracking-server:5000 或 http://my-oss-uc-server:8080 的 HTTP URI。一个 Databricks 工作区，可用字符串 “databricks” 提供，或者，为使用 Databricks CLI 的 profile，使用 “databricks://<profileName>”。

Example

import mflow

# Set model registry uri, fetch the set uri, and compare
# it with the tracking uri. They should be different
mlflow.set_registry_uri("sqlite:////tmp/registry.db")
mr_uri = mlflow.get_registry_uri()
print(f"Current registry uri: {mr_uri}")
tracking_uri = mlflow.get_tracking_uri()
print(f"Current tracking uri: {tracking_uri}")

# They should be different
assert tracking_uri != mr_uri

Output

Current registry uri: sqlite:////tmp/registry.db
Current tracking uri: file:///.../mlruns

mlflow.config.set_system_metrics_node_id(node_id)

设置系统指标节点 ID。

node_id 是收集指标的机器的标识符。这在多节点（分布式训练）设置中很有用。

mlflow.config.set_system_metrics_samples_before_logging(samples)

设置在记录系统指标之前的样本数量。

每当 samples 个样本被收集时，系统指标将被记录到 mlflow。 默认情况下 samples=1。

mlflow.config.set_system_metrics_sampling_interval(interval)

设置系统指标采样间隔。

每隔 interval 秒，系统指标将被收集。默认 interval=10。

mlflow.config.set_tracking_uri(uri: str | pathlib.Path) → None

设置跟踪服务器 URI。 这不会影响当前活动的运行（如果存在），但会对后续运行生效。

Parameters

uri –

• 一个空字符串，或一个以 file:/ 为前缀的本地文件路径。数据存储在提供的文件中（如果为空，则为 ./mlruns）。

• 类似 https://my-tracking-server:5000 的 HTTP URI。

• 一个 Databricks 工作区，通过字符串 “databricks” 提供，或者要使用 Databricks CLI profile，使用 “databricks://<profileName>”。

• 一个 pathlib.Path 实例

Example

import mlflow

mlflow.set_tracking_uri("file:///tmp/my_tracking")
tracking_uri = mlflow.get_tracking_uri()
print(f"Current tracking uri: {tracking_uri}")

Output

Current tracking uri: file:///tmp/my_tracking