跳至主内容

开始使用 MLflow

如果你是 MLflow 新手，或想复习其核心功能，这里的快速入门教程是完美的起点。它们将逐步引导你学习基本概念，专注于一个任务，从而最大化你对如何使用 MLflow 来解决特定任务的理解。

tip

如果您想试用在 Databricks 上完全托管的 MLflow 体验的免费试用，您可以快速注册并开始使用 MLflow 来满足您的 GenAI 和 ML 项目需求，而无需配置、设置或运行您自己的跟踪服务器。您可以了解更多关于

Databricks Free Trial 在此。该试用提供对个人 Databricks 帐户的完全访问权限，该帐户包括 MLflow 以及其他紧密集成的 AI 服务和功能。

关于运行教程的指导​

如果您从未与 MLflow Tracking Server 交互过，我们强烈建议您前往并快速阅读下面的指南。它将帮助您尽快开始使用文档中的教程内容。

How to Run Tutorials

了解可用于运行 MLflow Tracking Server 的选项，以便执行 MLflow 文档中的任何指南和教程


入门指南​

MLflow 跟踪​

MLflow Tracking 是 MLflow 的主要服务组件之一。在这些指南中，您将了解 MLflow Tracking 在构建机器学习模型时可以做什么，以增强与 MLOps 相关的活动。

The basics of MLflow tracking

在这些 MLflow Tracking 的入门指南中，您将学习如何利用 MLflow 来：

  • 记录 模型的训练统计（损失、准确率等）和超参数
  • 记录 (保存) 一个模型以便日后检索
  • 注册 模型，使用 MLflow Model Registry 以启用部署
  • 加载 模型并用于推理

在学习这些关键概念的过程中，您将接触到 MLflow Tracking APIs、MLflow Tracking UI，并学习如何将与模型训练事件相关的元数据添加到一个 MLflow 运行中。

MLFlow Tracking 快速入门指南

在本快速指南中学习 MLflow Tracking 的基础知识，重点是查看您在 MLflow UI 中的第一个模型

MLflow追踪深入教程

通过深入教程学习与MLflow追踪服务器交互的细微差别

自动记录基础​

开始使用 MLflow 的一个好方法是使用 autologging 功能。Autologging 会自动为 Python 生态系统中许多流行的机器学习库记录模型、指标、示例、签名和参数，只需一行代码。

The basics of MLflow tracking

在这个简短的教程中，您将学习如何利用 MLflow 的 autologging 功能来简化您的模型记录工作。

MLflow Autologging 快速入门

通过高级 autologging API，在本快速指南中快速开始向 MLflow 记录日志


运行比较基础​

这个快速入门教程聚焦于 MLflow UI 的运行比较功能，并提供逐步演示，说明如何从超参数调优执行扫描中注册找到的最佳模型。将注册模型在本地提供服务后，还简要介绍如何使用 Docker 对模型进行容器化以便远程 deployment。

The basics of MLflow run comparison

MLflow 运行比较快速入门

开始使用 MLflow UI 来比较运行记录并将模型注册以便部署


跟踪服务器快速入门​

本快速入门教程介绍了不同类型的 MLflow Tracking Servers 以及如何使用它们来记录你的 MLflow 实验。

5 分钟跟踪服务器概述

了解如何使用不同的跟踪服务器记录 MLflow 实验


模型注册快速入门​

本快速入门教程介绍如何在 MLflow 模型注册表中注册模型，以及如何检索已注册的模型。

5 分钟模型注册概览

了解如何将 MLflow 模型记录到模型注册表

进一步学习 - 下一步是什么？​

既然你已经掌握了必要的基础，下面是一些推荐的教程和指南合集，这些内容将有助于拓宽你对 MLflow 和其 APIs 的理解。