【专知评测】机器学习平台 MLflow 上手视频- 专知

【专知评测】机器学习平台 MLflow 上手视频

【导读】MLflow是Databricks在今年6月6号开源的机器学习平台（Databricks是开发Apache Spark的大佬公司），专知小组为该平台做了一个较为完整的评测视频。

MLflow，这是一个能够覆盖机器学习全流程（从数据准备到模型训练到最终部署）的新平台，旨在为数据科学家构建、测试和部署机器学习模型的复杂过程做一些简化工作。专知成员Hujun给大家详细介绍了机器学习平台MLflow上手的完整教程，欢迎查看，后续会继续推出一系列MLflow工程实践教程系列，敬请期待！

MLflow评测视频

评测视频：

MLflow的跨平台性
MLflow的安装
MLflow的Tracking(追踪)和Web UI
MLflow的Projects(项目管理)
MLflow的Models(模型托管)

在专知公众号回复"mlflow"可获取完整的《【专知评测】机器学习平台MLflow上手》视频。

评测视频截图

专知评测

跨平台性：目前不支持Windows

安装：用pip install mlflow即可安装（国内推荐豆瓣源）

评测功能一: Tracking(追踪)

类似日志，但是比日志系统更为强大。对训练过程、模型等进行追踪。另外，MLflow提供了Web UI，结合Tracking提供了便利性。

评测功能二: Projects(项目管理)

机器学习项目一般写的比较随意，难于管理和复现。例如使用的依赖包版本不一样都会导致复现结果有偏差，MLflow更像是提供了一条规范，一个工程包含若干个文件，文件中包含依赖包、conda配置、运行脚本、输入参数等配置，MLflow根据这些配置可以完全重现工程的环境配置、运行流程等，而且结合了git，将机器学习项目规范化、工程化。

评测功能三: Models(模型托管)

目前由于很多原因（例如跨语种调用、模型热插拔等），很多时候工程师会选择将机器学习模型托管到Restful Server中，用http请求来调用机器学习模型。这个过程虽然不难，但缺少规范化。当你的系统中有几十个机器学习模型时，自己写Flask等为机器学习模型做Restful接口会变得繁琐，而且缺乏统一的规范可能会导致接口设计混乱。MLflow提供了直接将sklearn机器学习托管为Restful API的接口，非常地方便。