MLOps极致细节：1. MLFlow介绍

MLOps极致细节：1. MLFlow介绍

在上一个博客（MLOps极致细节：0. 背景介绍）中，我们对MLOps是什么做了详细的介绍，感兴趣的朋友可以跳转过去看看。

这个博客，我们将非常简单地介绍一个比较实用的MLOps开源工具：MLFlow。在接下来的一系列博客中，我们将逐渐列举一些实例，和大家一起一步步通过MLFlow来学习MLOps是如何让机器学习/深度学习流程化的。

---

MLFlow介绍

实际上，MLOps的使用工具，随着MLOps的越来越流行，也是百家争鸣，比如下图：

综合对比了一下一些主流的MLOps工具，最后我选择了MLFlow。一方面是出于自身的项目大小以及开发人数，MLFlow比较适用于开发人数较少的项目。另外一方面，MLFlow是开源免费的，只需要一台普通的Win10电脑就可以上手，并且用的人比较多，版本迭代比较快。所以，在这个博客，我将非常简单地对MLFlow做一些介绍。从下一个博客开始，我们将逐渐列举一些实例，和大家一起一步步通过MLFlow来学习MLOps是如何让机器学习/深度学习流程化的。

MLFlow是一个能够覆盖机器学习全流程（从数据准备到模型训练到最终部署）的新平台。它一共有四大模块（如下为官网的原文以及翻译）：

• Tracking experiments to record and compare parameters and results (MLflow Tracking).
• MLflow Tracking：如何通过API的形式管理实验的参数、代码、结果，并且通过UI的形式做对比。
• Packaging ML code in a reusable, reproducible form in order to share with other data scientists or transfer to production (MLflow Projects).
• MLflow Projects：以可重用、可复制的形式打包ML代码，以便与其他数据科学家共享或部署到生产环境（MLflow项目）。
• Managing and deploying models from a variety of ML libraries to a variety of model serving and inference platforms (MLflow Models).
• MLflow Models：管理和部署从各种ML库到各种模型服务和推理平台（MLflow模型）的模型。
• Providing a central model store to collaboratively manage the full lifecycle of an MLflow Model, including model versioning, stage transitions, and annotations (MLflow Model Registry).
• MLflow Model Registry：提供一个中央模型存储，以协同管理MLflow模型的整个生命周期，包括模型版本控制、阶段转换和注释（MLflow模型注册表）。

好的，我们对于MLFlow的介绍就到这里，下面让我们来罗列更多的案例，来解释MLFlow具体是怎么工作的。