MLflow实验跟踪是什么

MLflow 实验跟踪（MLflow Tracking） 是 MLflow 的核心功能之一，用于记录、管理和对比机器学习实验过程与结果。
简单来说，它解决的就是一个问题：

“我跑了很多次模型实验，参数不一样、指标不一样，怎么记得住、比得清、复现得了？”

一、MLflow 实验跟踪能做什么？

它主要跟踪以下四类信息：

1. 实验（Experiment）

• 一次研究主题或一个项目就是一个 Experiment
• 每个 Experiment 下可以有很多次 运行（Run）

2. 运行（Run）

每一次模型训练或尝试，都算一次 Run，里面记录：

• 开始时间
• 持续时间
• 代码版本
• 运行环境

3. 参数（Parameters）

你手动设置的超参数，例如：

• learning_rate
• batch_size
• model_type

mlflow.log_param("learning_rate", 0.01)

4. 指标（Metrics）

模型训练或评估的结果，例如：

• accuracy
• loss
• f1_score

mlflow.log_metric("accuracy", 0.92)

二、还能跟踪什么？

除了参数和指标，MLflow Tracking 还支持：

• 模型文件（Artifacts）
• 训练好的模型
• 图片（如损失曲线）
• 配置文件
• 代码版本（Git Commit）
• 运行环境（Conda / pip）
• Tags（自定义标签）

三、基本使用示例

import mlflow
mlflow.start_run()
mlflow.log_param("alpha", 0.5)
mlflow.log_metric("rmse", 0.78)
mlflow.end_run()

运行后你可以在：

• MLflow UI 中查看
• 或后端存储（文件 / SQLite / 数据库）

四、MLflow Tracking 的组成部分

五、为什么要用 MLflow 实验跟踪？

✅ 避免“实验忘了怎么跑的”
✅ 方便对比不同模型
✅ 可复现实验结果

✅ 团队协作更清晰

如果你愿意，我也可以：

• 给你一个 完整 MLflow 示例项目
• 讲 本地 vs 远程 Tracking Server
• 或对比 MLflow vs Weights & Biases

你想看哪一个？