在6月份的Spark+AI峰会上，我们宣布了MLflow，一个完整机器学习周期的开源平台。该平台的理念很简单：使用任何流行的机器学习库；允许机器学习开发人员对其模型进行实验，保留培训环境、参数和依赖关系，并重现结果；最后部署，在有限的约束下，以开放的方式无缝地监控和服务他们。所有这些都很重要。无论是理念还是设计原则，同样重要的是使平台易于使用的因素：开始的最小努力一套简单直观的开发人员api，使开发人员富有成效充满活力的社区、丰富的文档和可供学习的代码示例。在本博客中，我们将关注其中一个因素：最短的开始时间。在即将到来的博客中，我们将详细介绍其他因素，尽管我们将在这里简要地提到它们。让我们考虑一下在您最喜欢的IDE中开始使用MLflow所需的工作量。快速入门，省力：Python和PyCharmPython似乎是机器学习中最流行的编程语言。大多数常见的机器学习框架，如TensorFlow、Keras、PyTorch和apachespark MLlib都提供pythonapi。因此，许多Python开发人员选择PyCharm作为IDE。为什么？首先，它提供了一个免费的社区版。其次，它创建一个Python虚拟环境或Conda环境，而不必显式地执行。第三，如果您使用了IntelliJ，那么您就可以将所有的工作都集中到开始工作的最小努力上。对于您使用MLflow和使用TensorFlow或kerasapi开发的机器学习模型，有三个简单的步骤就可以让您准备好使用它了。为您的笔记本电脑（Mac或Linux）下载PyCharm CE创建一个项目并导入MLflow项目源目录配置PyCharm环境。默认情况下，PyCharm创建Python虚拟环境，但您可以配置为创建Conda环境或使用现有环境。这个简短的视频详细介绍了在您的笔记本电脑上安装PyCharm之后的第2步和第3步。MLflow Keras模型我们在视频中的例子是一个简单的Keras网络，由Keras模型示例修改而来，它创建了一个简单的多层二进制分类模型，其中包含两个隐藏层和丢失层以及各自的激活函数。二值分类是一种常用的机器学习任务，广泛应用于将图像或文本分成两类。例如，一张图片是一只猫还是一只狗；或者一条推文在情感上是积极的还是消极的；以及邮件是否是垃圾邮件。但这里的重点并不是演示一个复杂的神经网络模型，而是展示在您的笔记本电脑上使用Keras和TensorFlow开发、记录MLflow运行和实验的简单性。使用默认或用户指定的调整参数作为命令行参数，keras\u nn_模型.py可以通过两种方式执行、跟踪和试验MLflow：使用命令行或从PyCharm。命令行：将调整参数指定为参数巨蟒_模式.py--下降率=0.3--时间段=40--输出=64--序列号批处理大小=256PyCharm：在运行配置中指定参数作为参数无论是从命令行运行还是从PyCharm运行，都使用mflow.log_参数（）如图所示：在MLflow中可视化您的跑步您可以在命令行或PyCharm模式下重复实验，并在mlflowui中查看结果。mlflow用户界面在mlflowui中检查运行及其各自的度量可以深入了解模型在不同的调优参数下的执行情况。在检查了一些跑步记录后，下一步你会怎么做？你可以做两件事中的一件。将此仪表板用作排行榜，以比较组织内其他模型及其各自的运行情况。或者保存模型以供部署（如果运行满意）。阅读文档以了解如何部署MLflow模型。简单的API、文档和代码示例在博客的前面，我们注意到有三个因素使平台更易于使用。我们详细介绍了第一个易于使用的。接下来，我们想简单地分享一下MLflow的核心设计理念，它有助于其他两个因素。首先，我们使用API-First原则和开源Python-API设计MLflow，这意味着这些API旨在为开发人员提供构建块，以扩展和使用MLflow的三个核心组件：跟踪、项目和模型。与REST API和命令行界面一起，这些API使开发人员能够执行复杂的机器学习生命周期任务：在本地或远程使用参数和日志度量进行实验和跟踪将模型保存为默认存储或自定义格式，以便在许多环境（Docker、AzureML、Databricks或ApacheSparkUDF）中部署，并在可以运行Python代码的任何地方重新加载将MLFlow项目打包为自描述和自包含的实体，可由其他人从GitHub存储库重用和复制第二，我们有很好的文档供您开始使用，我们正在认真构建一个由贡献者组成的社区。虽然现有的代码示例可以帮助您开始工作，但是随着您的贡献，这个示例存储库的范围将不断扩大。您可以从MLflow示例开始执行一些MLflow项目，并在这里研究这个博客的Keras网络模型。综上所述，有三个因素影响平台的易用性：开发人员快速启动时间；带有文档和代码示例的直观API；以及新兴社区。我们谈到了这三个方面，你也可以帮助他们。下一步是什么以下是一些您可以了解更多有关MLflow的方法，甚至可以贡献：加入我们的谷歌用户群，MLflow Meetup和MLflow Slack channel在GitHub上投稿：https://github.com/databricks/mlflow尝试MLflow项目示例：https://github.com/databricks/mlflow-examples更多信息请访问阅读我们的博客：介绍MLflow：一个开源的机器学习平台了解MLflow v0.2.1中的新增功能免费试用Databricks。今天就开始吧