MLflow

开源的机器学习生命周期管理平台，提供实验追踪、模型注册与部署能力，支持多种框架与编程语言。

MLflow 是一个面向机器学习生命周期的开源管理平台，核心目标是把实验、复现、部署和模型管理从无序的脚本和文件夹中抽离出来，形成一套可追踪、可比较、可回滚的标准化流程。它不绑定特定框架，也不强制你迁移到某个云服务，而是以轻量级 API 和 REST 接口嵌入现有代码，适合从个人项目到团队协作的多种场景。

核心功能模块

| 模块 | 作用 | 典型使用场景 |

|------|------|-------------|

| Tracking | 记录每次运行的参数、指标、代码版本和产物 | 对比不同超参数下的模型效果，定位最佳实验 |

| Projects | 将代码打包成可复用、可复现的运行单元 | 团队内共享训练代码，保证环境一致性 |

| Models | 统一模型打包格式与存储约定 | 将模型从训练环境迁移到推理服务，不重写代码 |

| Registry | 集中管理模型版本、阶段（Staging/Production）与描述 | 模型上线前的评审、回滚和多版本并存 |

| Model Serving | 提供内置的 REST 推理端点 | 快速将注册模型暴露为 HTTP 服务，用于测试或轻量生产 |

关键设计特点

• 框架无关：官方支持 TensorFlow、PyTorch、Scikit-learn、XGBoost 等主流库，同时提供 mlflow.pyfunc 自定义封装，任何 Python 函数均可打包成模型。
• 语言覆盖：Python、R、Java 均有 SDK，REST API 可供任意语言调用，适合异构技术栈团队。
• 存储可插拔：默认使用本地文件系统，可切换为 PostgreSQL、MySQL、SQLite 或云对象存储（S3、Azure Blob），不锁定基础设施。
• 部署路径灵活：同一模型可导出为 Docker 镜像、Spark UDF、SageMaker 端点或纯 Python 进程，无需修改模型代码。

适用场景与局限

适用：

• 团队需要统一的实验记录规范，但不想引入重量级 MLOps 平台
• 已有训练代码，希望低成本加入追踪和版本管理
• 需要快速将模型从 Notebook 推到内部测试服务

局限：

• 不提供完整的调度与工作流编排能力（需搭配 Airflow 或 Prefect）
• 内置 Serving 适合轻量场景，高并发或 GPU 推理仍需对接专用推理服务（如 Triton、KServe）
• 权限控制依赖后端存储的访问策略，本身不提供细粒度 RBAC

快速上手建议

1. 从 mlflow.set_tracking_uri() 开始，把现有训练脚本的指标和参数用 log_param / log_metric 记录。
2. 用 mlflow.autolog() 自动捕获常见框架的指标，减少侵入性改动。
3. 实验稳定后，通过 mlflow.register_model() 将产物推入 Registry，标记为 Staging 进行验证。
4. 部署阶段，优先尝试 mlflow models serve -m models:/模型名/Production 验证封装正确性，再决定是否容器化。

对于已有一定代码积累、但缺乏结构化管理的中小型团队，MLflow 是性价比很高的起点：它不要求一次性重构全部流程，可以按 Tracking → Registry → Serving 的顺序逐步引入，每步都能独立产生价值。

常见问题

MLflow 是什么？

开源的机器学习生命周期管理平台，提供实验追踪、模型注册与部署能力，支持多种框架与编程语言。

MLflow 的官方网站是什么？

MLflow 的官方网站是 https://mlflow.org，可直接在浏览器中打开使用。