如何搭建MLflow实验跟踪

下面给你一个从零开始搭建 MLflow 实验跟踪（Experiment Tracking）的完整指南，涵盖本地、服务器和常见集成场景，适合个人和团队使用。

一、MLflow 是什么？

MLflow 是一个开源的机器学习生命周期管理工具，核心功能包括：

• Experiment Tracking（实验跟踪）：记录参数、指标、模型、日志
• Model Registry（模型注册）
• Model Serving（模型部署）
• Projects（可复现训练）

本文重点讲：实验跟踪（Tracking）

二、安装 MLflow

1️⃣ 安装（推荐 Python ≥ 3.8）

pip install mlflow

如果需要可视化 UI：

pip install mlflow matplotlib scikit-learn

三、快速入门（本地模式）

1️⃣ 启动 MLflow UI

mlflow ui

访问：

http://127.0.0.1:5000

2️⃣ 记录一次实验

import mlflow
import mlflow.sklearn
from sklearn.ensemble import RandomForestClassifier
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
# 设置实验名
mlflow.set_experiment("iris_rf_experiment")
with mlflow.start_run():
# 参数
params = {
"n_estimators": 100,
"max_depth": 5
}
mlflow.log_params(params)
# 数据
X, y = load_iris(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)
# 模型训练
model = RandomForestClassifier(**params)
model.fit(X_train, y_train)
# 指标
acc = accuracy_score(y_test, model.predict(X_test))
mlflow.log_metric("accuracy", acc)
# 记录模型
mlflow.sklearn.log_model(model, "model")
print(f"Accuracy: {acc}")

✅ 结果可在 UI 中查看：

• 参数
• 指标
• 模型文件（artifacts）

四、MLflow Tracking 架构

+-------------------+
|  Training Code    |
|  (mlflow.log_*)   |
+--------+----------+
|
v
+-------------------+
| Tracking Server   |
| (UI + API)        |
+--------+----------+
|
v
+-------------------+
| Backend Store     |
| (SQLite / MySQL)  |
+-------------------+
|
v
+-------------------+
| Artifact Store    |
| (Local / S3 / OSS)|
+-------------------+

五、搭建 MLflow Tracking Server（推荐团队使用）

✅ 方式一：本地服务器（适合小团队）

mlflow server \
--backend-store-uri sqlite:///mlflow.db \
--default-artifact-root ./mlruns \
--host 0.0.0.0 \
--port 5000

访问：

http://<服务器IP>:5000

✅ 方式二：使用远程存储（生产推荐）

1️⃣ 后端存储（实验元数据）

• SQLite（测试）
• MySQL / PostgreSQL（生产）

--backend-store-uri mysql+pymysql://user:pwd@localhost/mlflow

2️⃣ Artifact 存储（模型文件）

• 本地目录
• S3
• MinIO
• OSS

示例（S3）：

--default-artifact-root s3://my-mlflow-bucket/

六、代码中连接 Tracking Server

import mlflow
mlflow.set_tracking_uri("http://127.0.0.1:5000")
mlflow.set_experiment("my_experiment")
with mlflow.start_run():
mlflow.log_param("lr", 0.01)
mlflow.log_metric("loss", 0.123)

七、常见跟踪内容

八、与常见框架集成

✅ PyTorch / TensorFlow

mlflow.pytorch.log_model(model, "model")
mlflow.tensorflow.log_model(model, "model")

✅ AutoML / Hyperparameter Tuning

mlflow.log_params(best_params)
mlflow.log_metric("best_score", best_score)

九、MLflow + Docker（可选）

FROM python:3.10
RUN pip install mlflow
EXPOSE 5000
CMD ["mlflow", "server", "--host", "0.0.0.0"]

十、最佳实践 ✅

✅ 每个项目一个 experiment
✅ 实验名 + 日期 + 版本
✅ 记录：

• 数据版本
• 超参数
• 随机种子

✅ 模型 + 指标一起保存

✅ 生产环境使用 MySQL + S3

十一、下一步你可以做什么？

• ✅ 模型注册（Model Registry）
• ✅ 自动记录（autolog）
• ✅ CI/CD 集成
• ✅ 多用户权限管理（MLflow + Nginx）

如果你愿意，我可以：

• ✅ 给你一个 完整项目模板
• ✅ 帮你 部署到服务器 / 云
• ✅ 对比 MLflow vs Weights & Biases
• ✅ 结合 PyTorch / XGBoost / LLM

你现在是个人使用还是团队部署？