MLflow是一个开源平台，帮助管理完整的机器学习生命周期。使用MLflow，数据科学家可以在本地（在笔记本电脑上）或远程（在云端）跟踪和共享实验，跨框架打包和共享模型，并在几乎任何地方部署模型。今天我们很高兴地宣布mlflow1.0的发布。自从一年前推出以来，MLflow已经被部署在数千个组织中来管理他们的生产机器学习工作负载，并且已经在像Managed MLflow on Databricks这样的服务上普遍可用。MLflow社区已经发展到超过100个贡献者，并且mlflowpypi包的下载速度已经达到接近每月60万次。1.0版本不仅标志着API的成熟和稳定，还添加了许多经常需要的特性和改进。这个版本从今天开始公开发行。使用PyPl安装mlflow1.0，阅读我们的文档开始使用，并提供关于GitHub的反馈。下面我们将介绍mlflow1.0中的一些新特性。有关完整列表，请参阅发行说明。MLflow 1.0的新增功能在跟踪API中支持X坐标在ML培训期间跟踪度量的数据科学家和工程师通常希望在培训运行结束时跟踪摘要度量，例如准确性，或者在模型训练时生成的"流式度量"，例如每小批量的损失。这些流度量通常针对每一个小批量或每个时期的训练数据进行计算。为了能够准确记录这些度量，以及更好的可视化，log_metric API现在支持step参数。mlflow.log_度量（键、值、步进=无）度量步骤可以是表示度量的x坐标的任何整数。例如，如果要记录数据的每个历元的度量，则该步骤将是epoch编号。MLflow UI现在还支持根据提供的x坐标值绘制度量。在下面的示例中，我们展示了如何使用UI来可视化两个针对walltime的指标。尽管它们是在不同的时间点记录的（如"相对时间"视图中数据点的错位所示），但这些数据点与相同的x坐标有关。通过切换到"步骤"视图，您可以看到由x坐标值排列的两个度量的数据点。改进的搜索功能为了改进搜索功能，搜索过滤器API现在支持简化版本的sqlwhere子句。此外，它还得到了增强，除了度量和参数外，还支持按运行属性和标记进行搜索。下面的示例显示了按参数和标记值搜索所有实验的运行情况。从mlflow.tracking.client导入MlflowClient所有实验=[实验实验对于MlflowClient（）中的exp.list_实验（）]运行=（MlflowClient（）.search_runs（experiment_ids=all_实验，筛选器字符串="参数模型='初始'以及标签.版本="resnet"，运行"查看"类型=视图类型.ALL))批量记录度量在需要记录多个度量的实验中，将它们作为一个批记录通常比单独记录更方便和更高效。mlflow1.0包括一个runs/log批处理restapi端点，用于用单个API请求记录多个度量、参数和标记。您可以从以下位置调用此批处理日志端点：蟒蛇(`mlflow.log_度量`, `mlflow.log_参数`, `mlflow.set_标记`)R（`mlflow_log_batch`）爪哇(`MlflowClient.logBatch`)支持HDFS作为工件存储除了本地文件，MLflow已经支持以下存储系统作为工件存储：amazons3、azureblob存储、Google云存储、SFTP和NFS。在mlflow1.0版本中，我们添加了对HDFS的支持，作为工件存储后端。只需使用--backend store URI指定hdfs://URI:hdfs://：/MLflow客户端的Windows支持运行在Windows操作系统上的MLflow用户现在可以跟踪mlflow1.0windows客户端的实验。为部署构建Docker映像部署ML模型的最常见方法之一是构建docker容器。mlflow1.0添加了一个新命令来构建一个docker容器，其默认入口点服务于容器内端口8080处指定的MLflow pyfunc模型。例如，您可以构建一个docker容器，并使用以下命令在主机上的端口5001服务它：mlflow models build docker-m"运行：/some run uuid/my model"-n"我的形象名"docker run-p 5001:8080"我的图像名"ONNX Model Flavor这个版本增加了一个实验性的ONNX模型风格。要以MLflow格式记录ONNX模型，请使用mlflow.onnx.save_模型（）和mlflow.onnx.log_模型（）方法。这些方法还将pyfunc风格添加到它们生成的MLflow模型中，允许将模型解释为通用的Python函数，以便通过mlflow.pyfunc.load_pyfunc(). MLflow ONNX模型的pyfunc表示使用ONNX运行时执行引擎进行计算。最后，您可以使用mlflow.onnx.load_模型（）加载原生ONNX格式的具有ONNX风格的MLflow模型的方法。其他功能和更新请注意，这个主要版本包含了几个突破性的更改。请查看1.0发行说明中社区的更改和贡献的完整列表。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，我们还为MLflow运行了一个Slack频道，您可以在Twitter上关注@MLflow。1.0之后的下一步是什么1.0版本标志着MLflow组件的一个里程碑，这些组件被广泛采用：跟踪、模型和项目。在继续开发这些组件的同时，我们也在投资新的组件，以覆盖ML生命周期的更多部分。MLflow的下一个主要功能是模型注册，它允许用户管理ML模型从实验到部署和监视的生命周期。观看关于MLflow的Spark AI峰会主题演讲的录音，以演示即将到来的特性。不要错过我们即将举行的网络研讨会，我们将在6月6日星期四讨论1.0更新及更多内容：管理机器学习生命周期：MLflow的新功能。最后，加入我们的海湾地区MLflow会议由微软主办，星期四6月20日在森尼维尔。在这里注册。阅读更多要在您的笔记本电脑或Databricks上开始使用MLflow，您可以：阅读快速入门指南通读教程尝试在数据块上管理MLflow信用我们要感谢以下的贡献者：亚伦·戴维森、亚历山大·施图金、安卡·萨尔布、安德鲁·陈、安德鲁·克罗齐尔、安东尼、克里斯蒂安·克劳斯、克莱门斯·梅瓦尔德、科里·祖玛、德伦·胡、德鲁·麦克唐纳、Gábor Lipták、吉姆·汤普森、凯文·郭、忽必烈静、卢克·朱、曼尼·帕克，Matei Zaharia、Paul Ogilive、Richard Zang、Sean Owen、Siddharth Murching、Stephanie Bodoff、Sue Ann Hong、Sung Jun Kim、Tomas Nykodym、Yahro、Yorick、avflor、eedeleon、freefrag、Hchiuzhou、jason huling、kafendt、vgod dbx。免费试用Databricks。今天就开始吧