趋近智
趋近智
APX AI
在线
趋近智
MLflow 为系统地记录机器学习 (machine learning)实验提供了一种实用且直接的方法。MLflow 的上手过程很简单。
MLflow 是一个 Python 包，可以使用 Python 标准包管理器 pip 进行安装。打开您的终端或命令行界面，然后运行：
pip install mlflow
此命令会安装 MLflow 核心库，其中包括本章的重点——追踪组件。根据您的项目需求，您之后可能还会安装额外的 MLflow 扩展（例如用于数据库后端或特定机器学习 (machine learning)库集成的 mlflow[extras]），但基础安装目前足够使用。
要验证安装，您可以运行：
mlflow --version
这会打印出已安装的 MLflow 版本号。
MLflow 追踪设计灵活，允许您根据配置和需求以不同方式记录运行。当您的 Python 脚本使用 MLflow 日志函数（例如 mlflow.log_param() 或 mlflow.log_metric()，我们稍后会讲到）时，它需要知道将这些信息发送到哪里。这个目标地点被称为追踪后端。MLflow 支持多种后端类型：
本地文件系统（默认）： 这是最简单的选项，也是您未进行其他配置时的默认行为。当您运行一个已集成 MLflow 的脚本时，MLflow 会自动在脚本执行的当前工作目录下创建一个名为 mlruns 的目录。mlruns 内部会以结构化的文件格式存储运行元数据、参数 (parameter)、指标和工件。这非常适合个人实验和快速上手。
本地追踪服务器： 您可以运行一个本地 MLflow 追踪服务器。这提供一个专门的用户界面 (UI)，您可以通过网页浏览器访问它来查看和比较运行，即使这些运行来自您机器上的不同目录或项目。服务器默认仍将数据存储在本地文件系统（使用指定目录）上，但集中了访问权限。
远程追踪服务器： 为了协作或更持久的数据存储，您可以配置 MLflow 以记录到远程追踪服务器。此服务器可以将追踪数据存储在关系型数据库（例如 PostgreSQL、MySQL）等后端中，并将工件存储在共享存储（例如 S3、Azure Blob Storage、GCS 或 NFS）中。这种设置在团队环境或 MLOps 流水线中很常见。
我们来看看如何使用前两个选项。
如前所述，安装 MLflow 后，此选项无需额外配置。如果您运行包含 MLflow 日志命令的 Python 脚本，它会自动创建 mlruns 目录。
# 示例：simple_script.py
import mlflow
import os
# 无需服务器配置，MLflow 默认记录到 ./mlruns
mlflow.start_run()
# 记录一些示例数据
mlflow.log_param("learning_rate", 0.01)
mlflow.log_metric("accuracy", 0.95)
# 创建一个示例工件文件
os.makedirs("outputs", exist_ok=True)
with open("outputs/model.txt", "w") as f:
f.write("This is a dummy model file.")
mlflow.log_artifact("outputs/model.txt")
mlflow.end_run()
print("MLflow 运行已记录到本地 './mlruns' 目录。")
如果您执行 python simple_script.py，您会发现出现了一个新的 mlruns 目录。
要在 MLflow UI 中查看这些本地运行，请在终端中导航到包含 mlruns 文件夹的目录，然后运行：
mlflow ui
此命令会启动一个本地 Web 服务器（通常在 http://127.0.0.1:5000 或 http://localhost:5000），该服务器提供 MLflow 追踪 UI。在浏览器中打开此地址，您将看到脚本运行的结果。在终端中按 Ctrl+C 可以停止 UI 服务器。
虽然 mlflow ui 直接从 mlruns 读取，但有时您需要一个持久的服务器进程，可以接受您机器上（甚至本地网络中的其他机器上）任何位置运行的脚本的运行记录。
首先，启动追踪服务器。选择一个目录作为服务器的数据存储位置（此目录将包含 mlruns 的等效内容）。我们使用一个名为 mlflow_server_data 的目录。
# 为服务器数据创建目录
mkdir mlflow_server_data
# 启动 MLflow 服务器
# --backend-store-uri: 指定存储运行元数据、指标、参数、标签的位置。
# --default-artifact-root: 指定存储工件（如模型、文件）的位置。
# --host: 要监听的网络接口（127.0.0.1 是本地主机）
# --port: 要使用的端口（默认是 5000，这里使用 8080）
mlflow server \
--backend-store-uri ./mlflow_server_data \
--default-artifact-root ./mlflow_server_data \
--host 127.0.0.1 \
--port 8080
此命令会在您的终端中启动服务器进程。它会持续运行，直到您停止它（例如，通过 Ctrl+C）。
现在，您需要让您的 Python 脚本记录到此服务器，而不是本地文件系统。您可以通过在启动运行之前，使用 mlflow.set_tracking_uri() 函数设置追踪 URI 来实现。
# 示例：script_log_to_server.py
import mlflow
import os
# 设置追踪 URI，指向正在运行的服务器
mlflow.set_tracking_uri("http://127.0.0.1:8080")
# 现在，当我们启动一个运行，它会记录到服务器
mlflow.start_run()
mlflow.log_param("learning_rate", 0.02)
mlflow.log_metric("accuracy", 0.98)
# 创建另一个示例工件
os.makedirs("outputs", exist_ok=True)
with open("outputs/advanced_model.txt", "w") as f:
f.write("This is another dummy model file.")
mlflow.log_artifact("outputs/advanced_model.txt")
mlflow.end_run()
print("MLflow 运行已记录到服务器 http://127.0.0.1:8080")
如果您运行 python script_log_to_server.py（在另一个终端中运行着 mlflow server 命令时），运行数据将被发送到服务器并存储在 mlflow_server_data 目录中。您可以通过在网页浏览器中打开 http://127.0.0.1:8080 来查看这些运行。
或者，您可以使用 MLFLOW_TRACKING_URI 环境变量来设置追踪 URI，这通常更适合自动化工作流：
export MLFLOW_TRACKING_URI="http://127.0.0.1:8080"
python your_training_script.py
如果设置了此环境变量，mlflow.start_run() 将自动使用它，您的代码中就不需要 mlflow.set_tracking_uri() 了。
不同的 MLflow 追踪设置配置。Python 脚本可以直接记录到本地
mlruns目录，到本地mlflow server进程（集中存储），或到通常用于团队或生产环境的远程服务器。
mlruns）并使用 mlflow ui 通常是最简单的上手方法。mlflow server 是一个不错的下一步。对于本章的练习，记录到本地文件系统或使用本地 mlflow server 将足够使用。既然 MLflow 已安装，并且您已明白基本配置选项，那么我们继续调整您的训练代码，使其能够实际记录有用信息。
© 2026 ApX Machine Learning内容诚信与透明度•