MLflow 3 深度学习工作流

2025-09-15

示例笔记本

该示例笔记本使用 PyTorch 运行单个深度学习模型训练作业，该作业作为 MLflow 运行进行跟踪。它记录每 10 个时期之后的检查点模型。每个检查点作为 MLflow LoggedModel 进行跟踪。使用 MLflow 的 UI 或搜索 API，可以检查检查点模型并按准确性对其进行排名。

笔记本安装 scikit-learn 和 torch 库。

使用检查点笔记本的 MLflow 3 深度学习模型

获取笔记本

使用 UI 浏览模型性能并注册模型

运行笔记本后，可以在 MLflow 试验 UI 中查看保存的检查点模型。指向试验的链接显示在笔记本单元格输出中，或按照以下步骤操作：

单击工作区边栏中的 “试验 ”。
在实验列表中查找您的实验。可以选择“ 仅我的试验 ”复选框，或使用 “筛选试验 ”搜索框筛选试验列表。
单击试验的名称。此时会打开 “运行” 页。试验包含一个 MLflow 运行。
单击“模型”选项卡。在此屏幕上跟踪各个检查点模型。对于每个检查点，可以看到模型的准确性及其所有参数和元数据。

在示例笔记本中，你向 Unity 目录注册了性能最佳的模型。还可以从 UI 注册模型。为此，请执行以下步骤：

在“ 模型 ”选项卡中，单击要注册的模型的名称。
在模型详细信息页的右上角，单击“ 注册模型”。

小窍门

注册模型后，模型可能需要几分钟才会显示在 UI 中。不要多次按 Register 模型 ，否则将注册重复的模型。
选择 Unity 目录 ，然后从下拉菜单中选择现有模型名称，或键入新名称。
单击“注册”。

使用 API 对检查点模型进行排名

以下代码演示如何按准确性对检查点模型进行排名。有关使用 API 搜索记录的模型的详细信息，请参阅 “搜索”和“筛选记录的模型”。

ranked_checkpoints = mlflow.search_logged_models(
  output_format="list",
  order_by=[{"field_name": "metrics.accuracy", "ascending": False}]
)

best_checkpoint: mlflow.entities.LoggedModel = ranked_checkpoints[0]
print(best_checkpoint.metrics[0])

<Metric:
  dataset_digest='9951783d',
  dataset_name='train',
  key='accuracy',
  model_id='m-bba8fa52b6a6499281c43ef17fcdac84',
  run_id='394928abe6fc4787aaf4e666ac89dc8a',
  step=90,
  timestamp=1730828771880,
  value=0.9553571428571429
>

worst_checkpoint: mlflow.entities.LoggedModel = ranked_checkpoints[-1]
print(worst_checkpoint.metrics[0])

<Metric:
  dataset_digest='9951783d',
  dataset_name='train',
  key='accuracy',
  model_id='m-88885bc26de7492f908069cfe15a1499',
  run_id='394928abe6fc4787aaf4e666ac89dc8a',
  step=0,
  timestamp=1730828730040,
  value=0.35714285714285715

MLflow 试验页上的 “模型 ”选项卡和目录资源管理器中的“模型版本”页有何区别？

“试验”页的“模型”选项卡和目录资源管理器中的“模型版本”页显示有关模型的类似信息。这两个视图在模型开发和部署生命周期中具有不同的角色。

试验页的“ 模型 ”选项卡显示单个页面上试验中记录的模型的结果。此页上的 “图表”选项卡提供了可视化效果，可帮助你比较模型，并选择模型版本以注册到 Unity 目录，以便进行可能的部署。
在目录资源管理器中，模型版本页概述了所有模型性能和评估结果。本页显示所有链接环境（包括不同工作区、终结点和试验）的模型参数、指标和跟踪。这对于监视和部署非常有用，尤其适用于部署作业。部署作业中的评估任务将创建此页上显示的其他指标。然后，任务的审批人可以查看此页面，以评估是否批准模型版本进行部署。

后续步骤

若要了解有关 MLflow 3 中引入的跟踪的详细信息 LoggedModel ，请参阅以下文章：

使用 MLflow 记录的模型跟踪和比较模型。

若要详细了解如何将 MLflow 3 与传统 ML 工作流配合使用，请参阅以下文章：

MLflow 3 传统 ML 工作流。

共用方式為