在2019年Spark+AI峰会上，我们宣布了托管MLflow on Databricks的GA，我们采用了最新和最优秀的开源MLflow，并使所有Databricks用户都能轻松访问。在那篇博文中，我们承诺构建一些特性，将数据块和MLflow概念连接起来，在两者之间创建一个无缝的集成。今天，我们很高兴地宣布MLflow笔记本侧边栏，这是这些集成中的第一个。在笔记本里跟踪实验和生成可重复的机器学习代码是很困难的。我们喜欢notebook界面，因为它提供了编写代码和查看结果之间的快速迭代周期。然而，这些好处也使我们很难跟踪所有的笔记本修订。我们经常问这样一个问题：是吗无标题.ipynb或者是无标题的（1）.ipynb，它以x%的验证准确率创建了这次训练？是无标题哪个创造了最好的模型还是无标题（1）？这个模因改编自乔尔格鲁斯的《朱庇特尔康谈话：我不喜欢笔记本》。 像Git这样的传统版本管理工具也不是为这个用例而设计的。为您创建的每个训练运行创建一个Git分支，只比复制笔记本好一点点，因为您仍然需要跟踪每个分支的性能。使用MLflow Runs侧边栏特性，我们试图弥合笔记本的快速迭代周期和跟踪代码修订的困难之间的差距。使用MLflow易于使用的跟踪api，用户已经可以跟踪每个训练运行的超参数和输出指标。在Databricks上的Managed MLflow中，我们还将自动获取创建训练运行的笔记本修订版的快照，并将其存储为运行元数据的一部分。使用这些数据，我们创建了一个笔记本侧边栏，显示您从该笔记本记录的所有实验运行。有了这个侧边栏，用户可以快速浏览他们的训练跑步，并查看创建每一次训练的笔记本的确切版本，就像它在那个时间点上看到的那样。当然，如果您发现要恢复的笔记本修订版，我们还允许您将其另存为Databricks工作区中的新笔记本。此外，MLflow Runs侧边栏上显示的所有数据也显示在我们都知道和喜爱的完整MLflow UI中。下一步行动MLflow Runs侧边栏只是一个开始-我们计划在开发服务时使用更多的集成和更简单的工作流来扩展Databricks管理的MLflow。我们认为到目前为止，我们已经对许多团队有用，但是，我们希望听到您的反馈。如果您是现有的Databricks用户，那么可以通过导入azuredatabricks或AWS的快速入门笔记本开始使用托管MLflow。如果您还不是Databricks用户，请访问databricks.com/mlflow开始免费试用Databricks和Managed MLflow。免费试用Databricks。今天就开始吧