今天，我们很高兴地宣布mlflowv0.5.0、mlflowv0.5.1和mlflowv0.5.2，它们上周发布了一些新特性。MLflow 0.5.2已经在PyPI上提供，并且文档也已更新。如果您按照mlflow快速入门指南中的说明pip安装mlflow，您将获得最新版本。在这篇文章中，我们将描述这些版本中的新特性和修复。Keras和Pythorch模型集成作为mlflow0.5.2的一部分，并继续努力提供一系列机器学习框架，我们扩展了对使用log_model api保存和加载Keras和PyTorch模型的支持。这些模型风格api以各自的格式导出它们的模型，因此Keras或PyTorch应用程序都可以重用它们，不仅可以从MLflow重用，也可以从Keras或PyTorch代码中重用它们。使用Keras模型api定义、培训和评估Keras模型后，可以将模型作为MLflow工件的一部分进行日志记录，并以Keras HDF5格式导出模型，以供其他人加载或用于预测。例如，此Keras代码片段显示了如何：从keras进口密集的导入mlflow进口mlflow.keras公司#构建、编译和训练模型keras_模型=。。。煤油_模型.编译（optimizer='rmsprop'，loss='mse'，指标['accuracy']）结果=keras_模型.拟合（x列，y列，周期=20，批次大小=128，验证数据=（x值，y值））...#记录指标并记录模型与mlflow.start_运行（）运行状态：...mlflow.keras.log_模型（keras_模型，"keras模型"）#将模型作为Keras model或pyfunc加载，并使用其predict（）方法keras_模型=mlflow.keras.load_模型（"keras模型"，运行_id="96771d893a5e46159d9f3b49bf9013e2"）预测值=keras_模型.预测（x检验）...使用Pythorch模型API类似地，您也可以使用模型api在PyTorch中记录模型。例如，下面的代码片段在PyTorch中是相似的，只是在PyTorch公开方法的方式上做了一些小的改变。但是，对于pyfunc，方法是相同的：predict（）：导入mlflow进口mlflow.pytorch进口火炬#构建、编译和训练模型Pythorch_模型=。。。火把_型号.列车()火把_模型评估()...y\u pred=Pythorch公司_模型.模型（x_数据）#记录指标并记录模型与mlflow.start_运行（）运行状态：...mlflow.pytorch.log_模型（Pythorch_模型，"Pythorch模型"）#将模型作为pytorch模型或pyfunc加载，并使用其predict（）方法Pythorch_模型=mlflow.pytorch.load_模型（"Pythorch模型"）y_预测=Pythorch_模型.模型（x检验）用于实验和运行管理的Python api为了查询过去的运行和实验，我们添加了新的公共api作为mlflow.跟踪模块。在此过程中，我们还将旧的api重构为mlflow模块，用于记录当前运行的参数和指标。例如，要记录当前运行的基本参数和指标，可以使用mlflow.log_xxxx（）电话。导入mlflow...与mflow.start_运行（）运行状态：mlflow.log_参数（"游戏"，1）mlflow.log_度量（"得分"，25）...但是，要访问此运行的结果，例如在应用程序的另一部分中，可以使用mflow.跟踪API本身：进口mlflow.跟踪#获取服务；默认为URI或本地的'mlruns'运行"uuid='96771d893a5e46159d9f3b49bf9013e2"运行=mlflow.tracking.get_服务（）。运行（运行）得分=运行.data.metrics[0]前者处理当前活动运行的持久化指标、参数和工件，后者允许管理实验和运行（特别是历史运行）。有了这个新的api，开发人员就可以访问Python CRUD接口来进行MLflow实验和运行。因为它是一个较低级别的API，它很好地映射到REST调用。因此，您可以围绕您的实验运行构建一个基于REST的服务。用于比较运行的UI改进多亏了Toon Baeyens（第268期，@ToonKBC），在MFlow跟踪UI中，我们可以用散点图比较两次运行。例如，此图显示了许多树及其相应的rmse度量。此外，有了更好的柱状和表格形式的展示和实验运行、指标和参数的组织，您可以轻松地可视化结果和比较运行。加上导航导航导航，整体体验是一个更好的UI体验。其他功能和错误修复除了这些特性之外，本版本还包括其他项目、bug和文档修复。一些值得注意的事项包括：[Sagemaker]用户可以在部署Sagemaker模型时指定自定义专有网络（#304，@dbczumar）[Artifacts]添加SFTP人工制品商店（#260，@ToonKBC）[Pyfunc]Pyfunc序列化现在包括Python版本并在主版本不同时发出警告（可以使用load_Pyfunc（suppress_warnings=True））（#230，@dbczumar）发出警告[Pyfunc]Pyfunc serve/predict将激活存储在MLModel中的conda环境。这可以通过向mlflow pyfunc serve或mlflow pyfunc predict添加--no conda来禁用（#225，@0wu）[CLI]mlflow run现在可以针对没有康达·亚姆明确规定。默认情况下，将创建一个空的conda环境-以前，它将失败。你仍然可以通过——没有条件可以完全避免进入conda环境（#218，@smurging）修复mlflow.start_运行（）as run实际将run设置为创建的运行（以前是None）（#322，@tomasatdatabricks）[BUG-FIXES]修复了DBFS工件，以在记录工件失败时抛出异常（#309），并模拟文件存储记录子目录的行为（#347，@andrewmchen）[错误修复]修复spark.load_型号不删除DFS tempdir（#335，@aarondav）[BUG-FIXES]使Python API向前兼容更新的protos服务器版本（#348，@aarondav）[BUG-FIXES]使用ECR客户端创建修复导致mlflow.sagemaker.deploy（）搜索部署Docker映像时失败（#366，@dbczumar）[UI]改进的API文档（#305，#284，@smurging）社区的变更和贡献的完整列表可以在0.5.2变更日志中找到。我们欢迎更多关于mlflow-users@googlegroups.com或者在GitHub上提交问题或提交补丁。对于有关MLflow的实时问题，我们最近还为MLflow创建了一个Slack频道，您也可以在Twitter上关注@MLflowOrg。信用MLflow 0.5.2包括补丁程序、错误修复程序和来自Aaron Davidson、Adrian Zhuang、Alex Adamson、Andrew Chen、Arinto Murdopo、Corey Zumar、Jules Damji、Matei Zaharia、@RBang1、Siddharth Murching、Stephanie Bodoff、Tomas Nykodym、Tingfan Wu、Toon Baeyens和Yassine Alouini。免费试用Databricks。今天就开始吧