我们很高兴地宣布 MLflow 1.3.0 现已可用！

除了若干错误修复和文档修正之外，MLflow 1.3.0 包含以下主要功能和改进：

• Python 客户端现在支持使用 TensorFlow 2.0 记录和加载模型
• 在使用基于 SQL 数据库存储的 MLflow 服务器中，获取运行和实验时有显著的性能提升
• 新增 GetExperimentByName REST API 端点，用于 Python 客户端以加速 set_experiment 和 get_experiment_by_name
• 在 Python 客户端新增了 mlflow.delete_run、mlflow.delete_experiment 的流式 API
• 新的 CLI 命令 (mlflow experiments csv) 可将实验的运行导出为 CSV 文件
• 现在可以通过 Python fluent API 中的 mlflow.log_artifact 将目录记录为工件
• HTML 和 geojson 工件现在在运行界面中呈现
• Keras 对 fit_generator Keras API 的自动记录支持
• MLflow 模型以 Docker 容器打包后可通过 Google Cloud Run 执行
• 在本地执行基于 Docker 的 MLflow 项目时，工件存储配置会被传递到容器中
• Python、Java、R 客户端和 UI 现在会在遇到 429（Too Many Requests）错误时重试 HTTP 请求

有关完整的更改列表，请参阅 release change log，并查看最新的文档，见 mlflow.org。