使用 MLflow 用户界面

MLflow 用户界面（UI）提供了一个功能强大的基于网页的控制面板，用于可视化和分析训练脚本使用 MLflow 追踪 API 记录的实验信息。该控制面板支持实验运行的交互式查看、比较和管理，为通过 API 进行的程序化访问提供了用户友好的替代方案。

启动 MLflow 用户界面

要启动用户界面，请在您的终端中进入项目根目录（如果您使用默认的本地文件存储，也可以是包含 mlruns 文件夹的任何目录），然后运行以下命令：

mlflow ui

默认情况下，此命令会启动一个本地网页服务器，通常可以通过 http://127.0.0.1:5000 访问。MLflow 将在您的终端中打印准确的 URL。

如果您在记录运行时，将 MLflow 配置为使用不同的后端存储（例如数据库或远程追踪服务器），您需要将用户界面指向同一位置。请使用 --backend-store-uri 标志：

# PostgreSQL 后端的例子
mlflow ui --backend-store-uri postgresql://user:password@host:port/database

# 远程追踪服务器的例子
mlflow ui --backend-store-uri http://your-mlflow-server.com:5000

在网页浏览器中打开提供的 URL 即可访问该界面。

浏览界面

MLflow 用户界面以简洁有序的方式展示您的实验和运行。

实验视图

默认视图通常在左侧导航面板中列出所有实验。实验将相关的运行分组，例如针对特定任务训练模型的不同尝试。点击实验名称会过滤主视图，使其只显示与该实验关联的运行。如果您在记录时未指定实验，则会自动创建“Default”（默认）实验。

运行列表

选中一个实验后，主区域会显示一个列出单个运行的表格。每一行代表一次对您追踪的脚本 (mlflow.start_run()) 的独立执行。以下重要信息会呈现在各列中：

• 开始时间： 运行开始的时间。
• 持续时间： 运行花费的时间。
• 运行名称： 一个可选的、易于阅读的名称（如果未指定，通常会自动生成）。
• 源： 启动运行的入口脚本或笔记本。
• 版本： 与运行关联的 Git 提交哈希值（如果在 Git 仓库中运行）。
• 参数： 每项记录的超参数的列（例如 learning_rate、n_estimators）。
• 指标： 每项记录的指标的列（例如 accuracy、rmse、val_loss）。您通常会在此处看到最终记录的值。

您可以自定义显示的列，按任意列排序（例如，按 accuracy 降序排序以找到最佳运行），以及使用搜索框根据参数值或指标得分来筛选运行。

运行详情页

点击特定运行的开始时间或名称，即可进入其详情页。此页面提供对该次运行所有记录内容的完整查看：

• 运行 ID： 运行的唯一标识符。
• 状态： 指示运行是已完成、失败还是仍在进行中。
• 参数： 一个专用部分，列出了所有已记录的超参数及其值。
• 指标： 一个显示已记录指标的部分。对于多次记录的指标（例如，每个周期的损失），MLflow 通常会显示交互式图表，展示指标随步骤或时间的变化历史。
• 标签： 与运行关联的任何自定义标签。标签对于添加定性信息或标记很有用。
• 工件： 所有已记录工件的文件浏览器视图。您将在此处找到保存的模型、输出文件、图像、图表等。

查看运行详情

运行详情页是您查看单个实验尝试具体信息的地方。

• 参数： 快速核实特定运行使用的确切配置。
• 指标： 分析性能结果。如果您在训练步骤中记录了指标（例如，在每个周期后记录验证准确率），您可以直接在用户界面中将训练进度可视化。将鼠标悬停在图表上通常会显示特定点的精确值。
• 工件： 这对于访问运行的输出特别有用。您可以：
  • 下载已保存的模型文件（例如 .pkl、.h5、saved_model 目录）。
  • 直接在浏览器中查看已记录的图像或图表（例如混淆矩阵、特征重要性图）。
  • 下载运行期间记录的任何其他文件，例如处理后的数据样本或评估报告。

比较实验运行

MLflow 用户界面最有价值的功能之一是能够并排比较多个运行。

1. 返回实验的运行列表视图。
2. 选择您想要比较的运行旁边的复选框。
3. 点击出现的“比较”按钮。

这将打开一个专用的比较视图：

• 参数比较： 显示所选运行的不同参数值，并突出显示差异。
• 指标比较： 显示每次运行已记录指标的值，从而方便查看哪次运行根据特定标准表现最佳。
• 可视化工具：
  • 散点图： 有助于将参数与指标（例如 learning_rate 与 accuracy）之间或两个指标之间的关系可视化。
  • 等高线图： 有助于将两个参数与一个指标之间的关系可视化。
  • 平行坐标图： 非常适用于可视化多个超参数的组合如何影响众多运行的产出指标。

散点图比较了五次不同实验运行的验证准确率与学习率。

这些比较工具通过视觉化地整理多次试验的结果，大大加快了超参数调整和模型选择的速度。

搜索和筛选

对于有大量运行的实验，搜索功能是不可或缺的。您可以根据以下内容构建查询：

• 指标： metrics.accuracy > 0.9
• 参数： params.learning_rate = '0.01' 或 params.optimizer = 'Adam'
• 标签： tags.data_version = 'v2'
• 属性： attributes.status = 'FINISHED'

使用 AND 组合这些条件以创建特定的筛选器，从而帮助您快速找到符合复杂条件的运行。

MLflow 用户界面将实验追踪从一种被动的日志记录活动，转变为一个主动的分析和决策制定工具。通过提供直观的方法来查看、排序、筛选、比较和检查单次运行，它帮助您理解模型的行为，找到最佳配置，并最终更高效地构建更好的机器学习模型。