mlflow下载 - mlflow源码下载

mlflow

其他源码

MLflow

下载

MLflow：机器学习生命周期平台

MLflow 是一个简化机器学习开发的平台，包括跟踪实验、将代码打包成可重复的运行以及共享和部署模型。 MLflow 提供了一组轻量级 API，可与任何现有的机器学习应用程序或库（TensorFlow、PyTorch、XGBoost 等）一起使用，无论您当前在何处运行 ML 代码（例如在笔记本、独立应用程序或云中）。 MLflow的当前组件是：

MLflow Tracking：用于记录机器学习实验中的参数、代码和结果并使用交互式 UI 进行比较的 API。
MLflow 项目：一种使用 Conda 和 Docker 进行可重复运行的代码打包格式，因此您可以与其他人共享您的 ML 代码。
MLflow 模型：一种模型打包格式和工具，可让您轻松部署相同的模型（来自任何 ML 库），以在 Docker、Apache Spark、Azure ML 和 AWS SageMaker 等平台上进行批量和实时评分。
MLflow 模型注册表：集中式模型存储、API 集和 UI，用于协作管理 MLflow 模型的整个生命周期。

最新文档阿帕奇 2 许可证总下载量帐户推特

套餐

皮伊
康达锻造公司
克兰
梅文中心

工作状态

示例操作状态跨版本测试 r-开发测试要求推送图像慢速测试网站-e2e

安装中

通过pip install mlflow从 PyPI 安装 MLflow

MLflow 要求conda位于项目功能的PATH中。

MLflow master 的夜间快照也可在此处获取。

通过pip install mlflow-skinny从 PyPI 安装 MLflow 的较低依赖项子集可以根据所需场景添加额外的依赖项。例如， pip install mlflow-skinny pandas numpy允许 mlflow.pyfunc.log_model 支持。

文档

MLflow 的官方文档可以在 https://mlflow.org/docs/latest/index.html 找到。

路线图

当前的 MLflow 路线图可在 https://github.com/mlflow/mlflow/milestone/3 上获取。我们正在寻求对带有help wanted标签的所有路线图项目的贡献。请参阅贡献部分以获取更多信息。

社区

有关 MLflow 使用的帮助或问题（例如“我该如何做 X？”），请参阅文档或 Stack Overflow。

要报告错误、提交文档问题或提交功能请求，请打开 GitHub 问题。

有关发布公告和其他讨论，请订阅我们的邮件列表 ([email protected]) 或加入我们的 Slack。

使用 Tracking API 运行示例应用程序

examples中的程序使用 MLflow Tracking API。例如，运行：

 python 示例/快速入门/mlflow_tracking.py

该程序将使用 MLflow Tracking API，该 API 将跟踪数据记录在./mlruns中。然后可以使用跟踪 UI 进行查看。

启动跟踪 UI

MLflow Tracking UI 将显示在 http://localhost:5000 处的./mlruns中记录的运行。开始：

流量用户界面

注意：不建议从 MLflow 克隆中运行mlflow ui - 这样做将从源代码运行开发 UI。我们建议从不同的工作目录运行 UI，通过--backend-store-uri选项指定后端存储。或者，请参阅贡献者指南中有关运行开发 UI 的说明。

从 URI 运行项目

mlflow run命令允许您从本地路径或 Git URI 运行使用 MLproject 文件打包的项目：

 mlflow 运行示例/sklearn_elasticnet_wine -P alpha=0.4

mlflow 运行 https://github.com/mlflow/mlflow-example.git -P alpha=0.4

请参阅examples/sklearn_elasticnet_wine了解带有 MLproject 文件的示例项目。

保存和服务模型

为了说明管理模型， mlflow.sklearn包可以将 scikit-learn 模型记录为 MLflow 工件，然后再次加载它们以进行服务。 examples/sklearn_logistic_regression/train.py中有一个示例训练应用程序，您可以按如下方式运行：

 $ python 示例/sklearn_logistic_regression/train.py
得分：0.666
模型保存在运行 <run-id> 中

$ mlflow 模型服务 --model-uri 运行：/<run-id>/model

$curl -d '{"dataframe_split": {"columns":[0],"index":[0,1],"data":[[1],[-1]]}}' -H '内容-类型：应用程序/json'本地主机：5000/调用

注意：如果使用 MLflow Skinny ( pip install mlflow-skinny ) 进行模型服务，则需要安装额外的必需依赖项（即flask ）才能使 MLflow 服务器正常运行。

官方 MLflow Docker 镜像

官方 MLflow Docker 映像可在 GitHub 容器注册表 (https://ghcr.io/mlflow/mlflow) 上找到。

导出 CR_PAT=YOUR_TOKENecho $CR_PAT | docker login ghcr.io -u USERNAME --password-stdin# 拉取最新版本docker pull ghcr.io/mlflow/mlflow# 拉取2.2.1docker pull ghcr.io/mlflow/mlflow:v2.2.1