MLflow，一个机器学习生命周期管理的 Python 库！

MLflow，助你轻松搞定机器学习实验管理

搞机器学习的小伙伴都懂，跑实验的时候各种参数、模型版本满天飞，过段时间再看都忘了哪个效果最好。 MLflow 就是来解决这个头疼问题的，它就像是给你的机器学习项目装了个黑匣子，把实验过程中的一切都给记录下来。

1.

基本功能咋用

MLflow 主要帮咱们搞定四个事：实验跟踪、项目打包、模型管理和模型部署。不过咱先说最常用的实验跟踪功能。

import mlflow

from sklearn.model_selection import train_test_split

from sklearn.ensemble import RandomForestClassifier

# 开启实验记录

mlflow.start_run()

# 记录参数

mlflow.log_param(“n_estimators”， 100)

mlflow.log_param(“random_state”， 42)

# 训练模型

rf = RandomForestClassifier(n_estimators=100， random_state=42)

rf.fit(X_train， y_train)

# 记录指标

accuracy = rf.score(X_test， y_test)

mlflow.log_metric(“accuracy”， accuracy)

# 保存模型

mlflow.sklearn.log_model(rf， “random_forest_model”)

mlflow.end_run()

温馨提示：别忘了在代码开头加 mlflow.start_run()，结尾加 mlflow.end_run()，不然实验记录会乱糟糟的。

2.

UI 界面有多好使

跑完实验后，终端里敲个 mlflow ui 命令，哇塞，一个漂亮的网页界面就出来了！所有实验的参数、指标都能一目了然地看到，还能画图比较不同实验的结果。看着这些曲线图，找到最佳模型就跟玩似的。

3.

项目打包有点东西

MLflow 还能帮咱们把整个项目打包，包括代码、环境配置啥的都给整理好。写个 MLproject 文件就成：

name： my_project

conda_env： conda.yaml

entry_points：

main：

parameters：

n_estimators： {type： int， default： 100}

command： “python train.py --n_estimators {n_estimators}”

这样你把项目给别人的时候，人家直接用 mlflow run 就能复现你的实验结果，贼方便。

4.

模型部署也不难

训练好的模型想要部署？MLflow 内置了一个模型服务器：

# 加载已保存的模型

# 启动模型服务

噢对了，模型服务默认是跑在本地的 5000 端口上，要是端口被占用了就得换个端口号。

实验管理这活儿，要是没有 MLflow 这种工具，那就跟蒙着眼睛打架一样。有了它，实验记录清清楚楚，模型管理也变得特别轻松。记住啊，好记性不如烂笔头，多用工具帮咱们记录，少给自己找罪受。

在看的，麻烦点一下再走好吗