MLflow 入门教程：四大组件实战

1. MLflow 的四大支柱

Tracking ──── 记录参数/指标/模型 artifact
Projects ──── 打包训练代码为可复现单元
Models  ──── 统一模型格式，跨部署平台
Registry ──── 模型版本管理与审批流转

2. Tracking：手动 vs 自动

autolog（最简单）

mlflow.autolog()  # 支持 PyTorch、TF、XGBoost、LightGBM、spaCy...

手动记录（更灵活）

with mlflow.start_run(run_name="my_run"):
    mlflow.log_param("learning_rate", 0.01)
    mlflow.log_param("batch_size", 32)
    mlflow.log_metric("accuracy", 0.95, step=1)
    mlflow.log_metric("accuracy", 0.96, step=2)  # 支持 step 画出曲线
    mlflow.log_artifact("confusion_matrix.png")   # 保存任何文件

嵌套 Run（Hyperparameter Search）

with mlflow.start_run(run_name="grid_search"):
    for lr in [0.1, 0.01, 0.001]:
        with mlflow.start_run(run_name=f"lr_{lr}", nested=True):
            mlflow.log_param("lr", lr)
            # train...

3. Models：保存与加载

# 保存模型（自动推断 flavor）
signature = infer_signature(X_train, model.predict(X_train))
mlflow.sklearn.log_model(model, "model", signature=signature)

# 加载模型
loaded_model = mlflow.sklearn.load_model("runs:/abc123/model")

# 或使用 registry 中的模型
model = mlflow.pyfunc.load_model("models:/my_model/Production")

4. Registry：版本管理

from mlflow.tracking import MlflowClient

client = MlflowClient()

# 注册模型
client.create_registered_model("breast_cancer_classifier")
client.create_model_version("breast_cancer_classifier", "runs:/abc123/model", "v1")

# 模型晋升
client.transition_model_version_stage(
    name="breast_cancer_classifier",
    version="1",
    stage="Production",
    archive_existing_versions=True,  # 打掉旧 Production
)

Stage 流转：None → Staging → Production → Archived

5. 模型签名（Signature）

from mlflow.models.signature import infer_signature

signature = infer_signature(X_sample, model.predict(X_sample))
mlflow.log_model(model, "model", signature=signature)

# 签名保证：部署时自动验证输入 schema

6. 搜索实验（程序化）

runs = mlflow.search_runs(
    experiment_ids=["1"],
    filter_string="metrics.accuracy > 0.9 and params.max_depth < '10'",
    order_by=["metrics.accuracy DESC"],
)
print(runs[["params.max_depth", "metrics.accuracy"]])

7. MLflow 部署选项

# 本地 REST API
mlflow models serve -m models:/my_model/1 -p 1234

# Docker
mlflow models build-docker -m models:/my_model/1 -n my-model

# Databricks / SageMaker / Azure ML 原生集成

思考题

1. MLflow Tracking 和 Weights & Biases (wandb) 的核心差异是什么？
2. 模型 Registry 的 Staging → Production 过渡中应该加什么验证步骤？
3. 为什么需要模型签名？推理时能防止什么类型的错误？