开始使用 MLflow

对于那些刚接触 MLflow 或希望复习其核心功能的人来说，这里的快速入门教程是完美的起点。它们将引导你一步步了解基本概念，专注于一个能最大化你理解如何使用 MLflow 解决特定任务的任务。

运行教程的指导

如果你是 MLflow 的新手，并且从未与 MLflow 跟踪服务器交互过，我们强烈建议你快速 阅读下面的指南。它将帮助你通过文档中的教程内容尽快上手。

Learn about your options for running an MLflow Tracking Server for executing any of the guides and tutorials in the MLflow documentation

MLflow 跟踪是 MLflow 的主要服务组件之一。在这些指南中，您将了解 MLflow 跟踪如何增强您在构建 ML 模型时的 MLOps 相关活动。

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

在学习这些关键概念的过程中，你将接触到 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MLflow运行中。

Learn the basics of MLflow Tracking in a fast-paced guide with a focus on seeing your first model in the MLflow UI

Learn the nuances of interfacing with the MLflow Tracking Server in an in-depth tutorial

开始使用 MLflow 的一个好方法是使用 autologging 功能。Autologging 可以自动记录你的模型、指标、示例、签名和参数，只需为 Python 生态系统中许多最流行的 ML 库编写一行代码。

在这个简短的教程中，你将学习如何利用 MLflow 的自动记录功能来简化你的模型记录活动。

Get started with logging to MLflow with the high-level autologging API in a fast-paced guide

本快速入门教程重点介绍 MLflow UI 的运行比较功能，并提供从超参数调整执行中注册最佳模型的逐步指南。在本地服务注册模型后，还简要介绍了通过使用 Docker 容器化模型来为远程部署准备模型的示例。

Get started with using the MLflow UI to compare runs and register a model for deployment

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您的MLflow实验。

Learn how to log MLflow experiments with different tracking servers

这个快速入门教程介绍了如何在 MLflow 模型注册表中注册模型以及如何检索已注册的模型。

Learn how to log MLflow models to the model registry

既然你已经掌握了基础知识，下面是一些推荐的教程和指南内容集合，这些内容将有助于拓宽你对MLflow及其API的理解。