MLflow v0.8.1具有更快的实验UI和增强的Python模型

MLflow v0.8.1本周发布。它引入了几个UI增强功能，包括数千次运行的更快加载时间，以及在使用许多指标和参数进行导航运行时提高响应速度。此外，它扩展了对作为Apache Spark UDF评估Python模型的支持，并自动将模型依赖性捕获为Conda环境。

现在可以在[PyPI]和在线文档中使用，您可以pip install mlflow按照MLflow快速入门指南中的说明安装此新版本 。

说明链接：https://mlflow.org/docs/latest/quickstart.html

在这篇文章中，我们将详细介绍几个MLflow v0.8.1功能：

在数百或数千次运行的导航实验中，可以获得更快，响应更快的MLflow UI体验

当作为Spark UDF加载时扩展pyfunc_model的功能。这些UDF现在可以返回多个标量或字符串列。

添加了在保存模型时自动捕获Conda环境中的依赖关系的支持，确保可以在新环境中加载它们

能够从ZIP文件运行MLflow项目

更快更好的MLflow UI体验

databricks一直致力于为ML开发人员提供愉快的体验，此版本增加了对MLflow实验UI的进一步增强：

更快地显示实验：改进的MLflow UI可以快速显示数千个实验运行，包括所有相关参数和工件。训练大量模型的用户应该观察更快的响应时间。

使用交互式散点图进行更好的可视化：用于比较运行的散点图现在是交互式的，可以更深入地了解模型性能特征。

增强的Python模型作为Spark UDF

将Python模型评分为Apache Spark UDF时，用户现在可以通过从扩展的结果类型集中进行选择来过滤UDF输出。例如，指定

pyspark.sql.types.DoubleTypeUDF输出的过滤器的结果类型，并返回包含双精度标量值的第一列。指定结果类型将

pyspark.sql.types.ArrayType(DoubleType)返回包含双精度标量值的所有列。下面的示例代码演示了使用result_type参数选择结果类型。和短例如笔记本示出火花模型登录，然后装载为火花UDF。

默认情况下，pyfunc通过MLflow API调用，如生产的车型save_model()和log_model()现在包括康达环境指定所有必要在新的环境加载它们的版本依赖。例如，以下示例中训练的模型的默认Conda环境具有以下yaml表示：

channels:

• defaults
  dependencies:
• python=3.5.2
• pyspark=2.4.0
  name: mlflow-env

其他功能和错误修复

除了这些功能外，此版本还包含其他一些新功能。值得注意的一些项目是：
特征

[API / CLI]支持从ZIP文件运行MLflow项目（＃759，@ jmorefieldexpe）

[Python API]支持将模型conda环境作为字典传递给save_model和log_model函数（＃748，@ dbczumar）

[型号]默认的Anaconda环境已被添加到许多Python模型风格中。默认情况下，save_model和log_model函数生成的模型将包含一个环境，该环境指定加载和提供模型所需的所有版本化依赖项。以前，用户必须手动指定这些环境。（＃705，＃707，＃708，＃749，@ dbczumar）

[评分]支持将模型同步部署到SageMaker（＃717，@ dbczumar）

[跟踪]在跟踪Git存储库中的MLflow运行时，将Git存储库URL包含为标记（＃741，@ whiletruelearn，@mateiz）

[UI]通过使用反应虚拟化表优化行渲染（＃765，＃762，＃745，@smurching）改进了运行UI性能

[UI]渲染运行指标，标签和参数信息的显着性能改进（＃764，＃747，@smurching）

[UI]散点图，包括运行比较图，现在是交互式的（＃737，@mateiz）

[UI]通过允许MLflow UI服务器指定客户端在发出AJAX请求时应设置的一组预期标头来扩展CSRF支持（＃733，@ aarondav）

Bug修复

[Python / Scoring]生成Pandas DataFrames的 MLflow Python模型现在可以正确评估为Spark UDF。现在支持包含多列基元类型的Spark UDF输出（＃719，@ tomasatdatabricks）

[Scoring]修复了一个序列化错误，该错误阻止了使用Azure ML的模型返回Pandas DataFrames（＃754，@ dbczumar）

[Docs]演示如何使用MLflow REST API创建实验和日志运行信息的新示例（＃750，kjahan）

[Docs] R文档已更新，清晰度和样式一致性（＃683，@ stbof）

[Docs]添加了有关在Databricks上执行远程MLflow运行的用户设置要求的说明（＃736，@ andyk）

可以在0.8.1更改日志中找到社区的更改和贡献的完整列表。

日志链接：https://github.com/mlflow/mlflow/blob/master/CHANGELOG.rst

阅读原文https://www.slidestalk.com/s/IntrotoMLflow2018111379680

关注示说网订阅号,获取更多精彩内容&技术交流群