今天，我们很高兴地宣布mlflowv0.4.0、mlflowv0.4.1和v0.4.2，它们是我们上周发布的，其中包含了一些最近需要的特性。MLflow 0.4.2已经在PyPI上提供，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，我们将描述这个版本中的新特性和修复。Azure Blob存储工件支持作为mlflow0.4.0的一部分，我们添加了对在azureblob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Azure云虚拟机上运行MLflow培训作业和跟踪结果变得很容易。以下示例显示如何使用Azure Blob存储项目存储启动跟踪服务器。您需要按照MLflow Tracking>AZURE Blob STORAGE中的说明设置AZURE_STORAGE_CONNECTION_STRING环境变量。mlflow服务器——默认工件根wasbs://$container@$帐户.blob.core.windows.net/使用带Pythorch和Tensorboard的MLflow我们添加了一些包含高级跟踪的示例，包括一个带有以下MLflow UI和TensorBoard输出的PyTorch TensorBoard示例。H2O整合多亏了pr170，MLflow现在包括了对H2O模型导出和服务的支持；查看一下H2O_示例.ipynbJupyter笔记本。 其他功能和错误修复除了这些特性之外，其他条目、bug和文档修复也包含在这些版本中。一些值得注意的事项包括：MLflow实验restapi和MLflow实验创建现在支持提供——工件位置（Issue#232）[UI]在UI中显示从http运行的项目的GitHub链接：//GitHub URL（问题#235）修复在分布式文件系统中保存/加载模型时的Spark模型支持（问题180）[跟踪]GCS工件存储现在是一个可插入的依赖项（默认情况下不再安装）。要启用GCS支持，请通过pip在客户端和跟踪服务器上安装google云存储。（第202期）【项目】支持在Git repos子目录中运行项目（第153期）[SageMaker]在部署到SageMaker时支持指定计算规范（问题185）社区的变更和贡献的完整列表可以在0.4.2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频道，您也可以在Twitter上关注@MLflowOrg。多看2018年8月2日，在西雅图Spark+AI会议上与Matei Zaharia一起观看MLflow简介；感谢Scott Klein的录音。信用MLflow 0.4.2包括Aaron Davidson、Andrew Chen、Arinto Murdopom、Corey Zumar、Javier Luraschi、Joel Akeret、Juntai Zheng、Matei Zaharia、Siddharth Murching、Stephanie Bodoff、Tomas Nykodym、Toon Baeyen的补丁免费试用Databricks。今天就开始吧