今天，我们很高兴地宣布mlflowv0.3.0，它是我们上周发布的，其中包含了一些内部客户机和开源用户所要求的特性。mlflow0.3.0已经在PyPI上可用，并且文档也已更新。如果您按照mlflow快速入门指南中的说明pip安装mlflow，您将获得最新版本。在这篇文章中，我们将描述几个新特性，并列举Github存储库中作为问题提交的其他项和bug修复。GCP支持的工件支持我们添加了对在Google存储中存储工件的支持，通过mlflow服务器命令的--default artifact root参数。这使得在多个云实例上运行MLflow培训作业和跟踪结果变得非常容易。下面的示例演示如何使用GCP工件存储启动跟踪服务器。此外，您还需要按照文档中的描述设置身份验证。本项结束第152期。mlflow服务器——默认工件根gs://my mlflow google bucket/Apache Spark MLlib集成作为MLflow模型组件的一部分，我们添加了Spark MLlib Model作为模型风格。这意味着您可以将Spark MLlib模型导出为MLflow模型。使用MLlib的本机序列化保存导出的模型可以作为Spark MLlib模型或MLflow中的Python函数进行部署和加载。要保存和加载这些模型，请使用火花.mflow应用程序编程接口。这解决了问题72。例如，可以保存Spark MLlib模型，如下面的代码片段所示：从pyspark.ml导入管道来自mlflow import sparktokenizer=tokenizer（inputCol="review"，outputCol="words"）hashingTF=hashingTF（inputCol="单词"，outputCol="功能"）套索=线性回归（labelCol="等级"，elasticNetParam=1.0，maxIter=20）pipeline=管道（stages=[tokenizer，hashingTF，lasso]）型号=管道.fit（数据集）...mlflow.spark.log_型号（型号，"火花模型"）现在我们可以在MLflow应用程序中访问这个MLlib持久化模型。来自mlflow import spark型号=mlflow.spark.load型号（"火花模型"）df=模型.转换（测试_-df）其他功能和错误修复除了这些特性之外，本版本还包括其他项目、bug和文档修复。一些值得注意的事项包括：[SageMaker]支持删除和更新通过SageMaker部署的应用程序（问题#145）[SageMaker]推送MLflow SageMaker容器现在包含了与之一起发布的MLflow版本（第124期）[SageMaker]通过提供正常的默认值简化SageMaker部署的参数（问题#126）社区的变更和贡献的完整列表可以在变更日志中找到。我们欢迎更多关于mlflow-users@googlegroups.com或者在GitHub上提交问题或提交补丁。对于有关MLflow的实时问题，我们最近还为MLflow创建了一个Slack通道。阅读更多对于我们下一步工作的概述，请看一下我们上周在湾区举行的apachespark会议上展示的路线图幻灯片，或者观看Meetup演示。信用MLflow 0.3.0包括Aaron Davidson、Andrew Chen、Bill Chambers、Brett Nekolny、Corey Zumar、Denny Lee、Emre Sevinç、Greg Gandenberger、Jules Damji、Juntei Zheng、Mani Parkhe、Matei Zaharia、Mike Huston、Siddharth Murching、Stephanie Bodoff、Sue Ann Hong、Tomas Nykodym、Vahe Hakobyan提供的补丁免费试用Databricks。今天就开始吧