实践：追踪训练运行

这个实践练习将引导你配置一个基础的机器学习训练脚本，使用 MLflow Python API 来记录参数、指标和模型工件。它说明了 MLflow 追踪的应用。一个来自 scikit-learn 的常见示例有助于将重心保持在追踪过程上。

请确保你已安装 MLflow 和 scikit-learn (pip install mlflow scikit-learn)。

1. 基准训练脚本

首先，我们来看看一个在 Iris 数据集上训练逻辑回归模型，但没有使用 MLflow 追踪的简单脚本。这作为我们的起点。

# baseline_train.py
import numpy as np
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score

# 加载数据
iris = load_iris()
X, y = iris.data, iris.target

# 划分数据
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 定义模型参数（这些是我们将来会追踪的）
solver = 'liblinear'
C = 1.0  # 正则化强度的倒数
random_state = 42

# 训练模型
model = LogisticRegression(solver=solver, C=C, random_state=random_state)
model.fit(X_train, y_train)

# 进行预测
y_pred = model.predict(X_test)

# 评估模型
accuracy = accuracy_score(y_test, y_pred)

print(f"Parameters:")
print(f"  solver: {solver}")
print(f"  C: {C}")
print(f"  random_state: {random_state}")
print(f"Metrics:")
print(f"  Accuracy: {accuracy:.4f}")

# 在实际情况中，你可能会在此处保存模型
# joblib.dump(model, 'model.joblib')

运行这个脚本 (python baseline_train.py) 只是将参数和最终准确率打印到控制台。如果你用不同的参数再次运行它，除非你手动记录它们，否则之前的结果会丢失。这正是 MLflow 要解决的问题。

2. 使用 MLflow 配置脚本

现在，我们来修改脚本以使用 MLflow 追踪。

1. 导入 MLflow： 在开头添加 import mlflow 和 import mlflow.sklearn。
2. 开始一个 MLflow 运行： 使用 with mlflow.start_run(): 块来封装训练和评估逻辑。在此块中记录的所有内容都将属于一个 MLflow 运行。
3. 记录参数： 使用 mlflow.log_param() 来记录此次特定运行所用的超参数（例如 solver、C、random_state）。
4. 记录指标： 使用 mlflow.log_metric() 来记录评估结果（例如 accuracy）。
5. 记录模型： 使用 mlflow.sklearn.log_model() 将训练好的 scikit-learn 模型保存为与该运行相关的工件。此函数处理序列化并保存必要的元数据。

以下是修改后的脚本：

# mlflow_train.py
import numpy as np
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score

# 导入 MLflow
import mlflow
import mlflow.sklearn

# 可选：设置实验名称。如果不存在，则会创建。
# 如果不设置，运行将进入“默认”实验。
mlflow.set_experiment("Iris Classification")

# 加载数据
iris = load_iris()
X, y = iris.data, iris.target

# 划分数据
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 定义模型参数
solver = 'liblinear'
C = 1.0
random_state = 42

# 开始一个 MLflow 运行
with mlflow.start_run():
    print("开始 MLflow 运行...")

    # 记录参数
    mlflow.log_param("solver", solver)
    mlflow.log_param("C", C)
    mlflow.log_param("random_state", random_state)
    print(f"  已记录参数：solver={solver}, C={C}, random_state={random_state}")

    # 训练模型
    model = LogisticRegression(solver=solver, C=C, random_state=random_state)
    model.fit(X_train, y_train)

    # 进行预测
    y_pred = model.predict(X_test)

    # 评估模型
    accuracy = accuracy_score(y_test, y_pred)

    # 记录指标
    mlflow.log_metric("accuracy", accuracy)
    print(f"  已记录指标：accuracy={accuracy:.4f}")

    # 记录训练好的模型工件
    # 'model' 是运行工件存储中的目录名称
    # 'iris_logistic_regression' 是注册模型的名称（可选，用于模型注册表）
    mlflow.sklearn.log_model(model, "model", registered_model_name="iris_logistic_regression")
    print("  已记录模型工件")

    print("MLflow 运行完成。")

print("脚本执行完成。")

3. 运行追踪的脚本

现在，从终端执行配置好的脚本：

python mlflow_train.py

你将看到与基准脚本相似的输出，但会附带额外的消息，表明 MLflow 正在记录。请注意，默认情况下，MLflow 会在你运行脚本的同一位置创建一个本地 mlruns 目录。这个目录保存了你运行的元数据和工件。

4. 在 MLflow UI 中查看结果

为了直观地查看和比较你的运行，启动 MLflow 追踪 UI。在终端中进入包含 mlruns 文件夹的目录，然后运行：

mlflow ui

这个命令会启动一个本地 Web 服务器，通常在 http://127.0.0.1:5000。在你的 Web 浏览器中打开此 URL。

在 UI 中，你应该看到：

• 实验： 在左侧面板中，找到“Iris Classification”实验（如果你跳过了 mlflow.set_experiment，则为“Default”）。
• 运行： 选择实验会显示一个列出所有运行的表格。由于你只运行过一次脚本，因此会有一条记录。
• 运行详情： 点击运行的开始时间以查看其详情。
  • 参数： 你将看到你记录的 solver、C 和 random_state 值。
  • 指标： accuracy 分数将显示出来。如果你记录了随时间变化的指标（例如，每个周期的损失），你还可以查看图表。
  • 工件： 你将看到“model”工件。点击它会显示 MLflow 为你的 scikit-learn 模型保存的文件（包括 model.pkl、conda.yaml、python_env.yaml 和 MLmodel）。

5. 进一步实验

追踪多次运行会带来真正的益处。尝试修改 mlflow_train.py 脚本：

• 修改 C 的值（例如 C = 0.5）。
• 修改 solver（例如 solver = 'saga'，但请注意，你可能需要更多的 max_iter 才能收敛）。

每次更改后再次运行脚本。然后，刷新 MLflow UI。你将看到表格中列出了新的运行。你现在可以：

• 排序运行： 点击列标题（如“accuracy”）来找到表现最佳的运行。
• 筛选运行： 使用搜索框根据参数或指标筛选运行（例如 params.C = "0.5" 或 metrics.accuracy > 0.95）。
• 比较运行： 使用复选框选择多个运行，然后点击“比较”按钮。这会提供它们的参数、指标和图表的并行视图，从而更容易地查看哪些发生了变化以及它如何影响了结果。

这个实践练习展示了 MLflow 追踪的核心流程：配置你的训练代码以记录参数、指标和工件，然后使用 UI 来查看和比较你的实验。采纳这种做法，你就能创建了一个系统化的模型工作记录，显著提高了可复现性，并让有效地迭代模型变得更简单。