Python快速入门

MLflow是一个用于管bob下载地址理端到端机bob体育客户端下载器学习生命周期的开源平台。MLflow为记录指标(例如，模型损失)、参数(例如，学习率)和拟合模型提供了简单的api，从而便于分析训练结果或稍后部署模型。

本节:

安装MLflow

使用Databricks运行时10.3 ML及以上，砖Autologging在默认情况下启用，并在从各种流行的机器学习库训练模型时自动捕获模型参数、指标、文件和沿袭信息。

在Databricks Runtime 10.2及以下版本中，MLflow提供了mlflow。<框架> .autolog ()用于自动记录在许多ML框架中编写的训练代码的api。您可以在运行训练代码之前调用这个API来记录特定于模型的度量、参数和模型构件。

请注意

中也支持Keras模型mlflow.tensorflow.autolog ()．

               # autoinstruments tf.keras进口mlflow.tensorflowmlflow．tensorflow．autolog（）
              

               进口mlflow.xgboostmlflow．xgboost．autolog（）
              

               进口mlflow.lightgbmmlflow．lightgbm．autolog（）
              

               进口mlflow.sklearnmlflow．sklearn．autolog（）
              

如果使用pyspark.ml，度量和模型自动记录到MLflow。看到Apache Spark MLlib和自动MLflow跟踪．

在执行机器学习代码之后，您可以使用experimental Runs侧栏查看结果。看到查看笔记本实验有关如何查看实验的说明，运行和笔记本修订使用的快速入门。

方法可以记录其他信息MLflow跟踪日志api．

              进口mlflowmlflow．log_metric（“准确性”，0.9）
             

              进口mlflowmlflow．log_param（“learning_rate”，0.001）
             

                进口mlflow.sklearnmlflow．sklearn．log_model（模型，“myModel”）
               

                进口mlflow.sparkmlflow．火花．log_model（模型，“myModel”）
               

                进口mlflow.xgboostmlflow．xgboost．log_model（模型，“myModel”）
               

                进口mlflow.tensorflowmlflow．tensorflow．log_model（模型，“myModel”）
               

                进口mlflow.kerasmlflow．keras．log_model（模型，“myModel”）
               

                进口mlflow.pytorchmlflow．pytorch．log_model（模型，“myModel”）
               

                进口mlflow.spacymlflow．宽大的．log_model（模型，“myModel”）
               

              进口mlflowmlflow．log_artifact（“/ tmp /我的文件”，“myArtifactPath”）
             

请注意

使用Databricks运行时10.3 ML及以上，砖Autologging默认情况下启用，并且这些示例笔记本中的代码不是必需的。本节中的示例笔记本设计用于Databricks Runtime 10.2 ML及以下版本。

使用Python开始使用MLflow跟踪的推荐方法是使用MLflowautolog ()API。使用MLflow的自动记录功能，只需一行代码就可以自动记录生成的模型、用于创建模型的参数和模型评分。下面的笔记本向您展示如何使用自动记录设置运行。

如果您需要对每次训练运行所记录的指标进行更多的控制，或者希望记录额外的工件(如表或图)，您可以使用以下笔记本中演示的MLflow日志API函数。