附加自定义标记和元数据

将键值对附加到跟踪以便于组织、搜索和筛选。

标记 是可变的，可以在日志记录后进行更新。 使用标记获取可能会更改的动态信息，例如用户反馈、审阅状态或数据质量评估。

元数据写入一次，日志记录后不可变。 使用元数据获取在执行期间捕获的固定信息，例如模型版本、环境或系统配置。

本指南介绍如何设置和管理元数据和标记。

先决条件

1. 安装 MLflow 和所需包

   pip install --upgrade "mlflow[databricks]>=3.1.0" openai "databricks-connect>=16.1"
   

2. 请按照设置环境快速入门创建 MLflow 试验。

在活动跟踪上设置元数据

如果使用自动跟踪或 Fluent API 创建跟踪，并且希望在跟踪执行期间将元数据添加到跟踪，则可以使用函数 mlflow.update_current_trace 。

例如，下面的代码示例将 "model_version": "v1.2.3" 元数据添加到为 my_func 函数创建的跟踪：

import mlflow

@mlflow.trace
def my_func(x):
    mlflow.update_current_trace(metadata={"model_version": "v1.2.3", "environment": "production"})
    return x + 1

my_func(10)

在活动跟踪上设置标记

如果使用自动跟踪或 fluent API 创建跟踪，并且希望在跟踪执行期间将标记添加到跟踪，则可以使用函数 mlflow.update_current_trace 。

例如，下面的代码示例将 "fruit": "apple" 标记添加到为 my_func 函数创建的跟踪：

@mlflow.trace
def my_func(x):
    mlflow.update_current_trace(tags={"fruit": "apple"})
    return x + 1

my_func(10)

在已完成的跟踪上设置标记

要在已完成并记录到后端存储中的跟踪上设置标记，请使用 mlflow.set_trace_tag 方法在跟踪上设置标记，使用 mlflow.delete_trace_tag 方法从跟踪中删除标记。

import mlflow

# Create and execute a traced function
@mlflow.trace
def process_data(data):
    return data.upper()

# Execute the function to create a trace
result = process_data("hello world")

# Get the trace_id from the most recent trace
trace_id = mlflow.get_last_active_trace_id()

# Set a tag on the trace
mlflow.set_trace_tag(trace_id=trace_id, key="review_status", value="approved")

# Set another tag
mlflow.set_trace_tag(trace_id=trace_id, key="data_quality", value="high")

# Delete a tag from the trace
mlflow.delete_trace_tag(trace_id=trace_id, key="data_quality")

通过 MLflow UI 设置标记

或者，可以从 MLflow UI 更新或删除跟踪上的标记。 为此，请导航到跟踪选项卡，然后单击要更新的标记旁边的铅笔图标。

后续步骤

• 部署支持跟踪的代理 - 了解生产环境中的日志跟踪
• 跟踪用户和会话 - 使用标准元数据字段按用户和对话组织跟踪
• 跟踪版本和环境 - 捕获部署上下文和应用程序版本
• 查询跟踪 - 使用标记和元数据筛选和搜索跟踪

特性参考

有关本指南中的概念和功能的详细信息，请参阅：

• 跟踪数据模型 - 了解标记和元数据如何适应跟踪结构
• 删除跟踪 - 了解跟踪生命周期管理