上周，我们发布了mlflowv0.8.0，其中包括改进的用户界面体验和通过Docker容器直接部署模型到Azure机器学习服务工作区。现在可以在PyPI和docs online上使用，您可以使用pip install mlflow安装这个新版本，如mlflow快速入门指南中所述。在本文中，我们将介绍mlflowv0.8.0的几个主要特性：一种改进的MLflow用户界面体验，用于跟踪和分类实验支持将Docker容器中的模型部署到Azure机器学习服务改进的MLflow用户界面体验度量和参数的紧凑显示：为了避免混乱和每个度量或参数的列爆炸，现在我们默认将它们分组在一个表列中。这样，每个运行的参数和指标都列在附近。用户仍然可以单击每个参数或度量以将其显示在单独的列中，或按其排序并通过这种方式自定义其视图。嵌套运行：对于嵌套的MLflow运行（在超参数搜索或多步骤工作流中很常见），UI将在每个父运行下显示一个可折叠的树。这使得组织和可视化多步骤工作流变得更加容易。标记运行：虽然MLflow在默认情况下为每个运行提供一个UUID，但是现在您还可以通过API为每个运行分配一个名称。也可以在UI中编辑这些名称。UI持久性：mlflowui现在记住了浏览器本地存储中的过滤器、排序和列设置，因此您不再需要每次重新配置视图。让我们更详细地了解这些特性之一—可视化嵌套运行。首先，我们可以使用以下代码创建嵌套的默认运行：##嵌套的默认运行#与mlflow.start_运行（嵌套=真）：mlflow.log_参数（"毫秒"，0.10）mlflow.log_参数（"lr"，0.05）mlflow.log_参数（"批次大小"，512）与mlflow.start_运行（嵌套=真）：mlflow.log_参数（"最大运行次数"，32）mlflow.log_参数（"时代"，20）mlflow.log_度量（"acc"，98）mlflow.log_度量（"rmse"，98）mlflow.end_运行()MLflow UI现在将在树中显示这些运行，并允许您展开它们：当然，在实践中，通常不会像上面那样在单个Python程序中创建嵌套运行。相反，当您运行多步骤工作流或超参数搜索时，它们将出现。MLflow包括工作流和超参数搜索的示例。部署到Azure ML服务我们的Microsoft Azure机器学习部署工具已经过修改，可以使用更新的Azure ML SDK来部署打包为Docker容器的MLflow模型。使用mlflow.azureml公司模块中，您可以将python_函数模型打包到azureml容器映像中，并将该映像部署到azurekubernetes服务（AKS）和Azure容器实例（ACI）平台上进行实时服务。例如，请阅读有关如何使用MLflow CLI构建映像以及如何部署映像的文档。其他功能和错误修复除了这些特性之外，本版本还包含了其他一些新功能。一些值得注意的事项包括：中断更改：[CLI]mlflow sklearn serve已被删除，取而代之的是mlflow pyfunc serve，它接受相同的参数，但对任何pyfunc模型（#690，@dbczumar）都有效。特征：[评分]除了"记录"格式之外，pyfunc服务器和SageMaker现在支持pandas"split"JSON格式。拆分格式允许客户机指定列的顺序，这对于某些模型格式是必需的。我们建议切换客户端代码以使用这种新格式（通过发送Content-Type报头application/json；format=pandas split），因为它将成为MLflow 0.9.0中的默认json格式。（690，@dbczumar）[Server/Python/Java]将rename_实验添加到跟踪API（#570，@aarondav）[服务器]将get_experience_by_name添加到RestStore（#592，@dmarkhas）[服务器]启动mlflow服务器时允许传递gunicorn选项（#626，@mparkhe）【神器】FTP神器商店（#287，@Shenggan）。错误修复：[Python]更新TensorFlow集成库以匹配其他风格提供的API（#612，@dbczumar；#670，@mlaradji）[Python]支持TensorFlow 1.12（#692，@smurging）[R] 在预测时间显式加载Keras模块不再需要（#586，@kevinykuo）[R] pyfuncserve可以正确加载使用R Keras支持保存的模型（#634，@tomasatdatabricks）[R] 将调用RestStore的网络超时从1秒增加到60秒（#704，@aarondav）[服务器]删除默认实验不再导致立即重新创建（#604，@andrewmchen；#641，@schipiga）[服务器]Azure Blob存储项目库支持Windows路径（#642，@marcusrehm）[服务器]改善环境和运行文件损坏时的行为（#632，#654，#661，@mparkhe）。社区的变更和贡献的完整列表可以在0.8.0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。对于有关MLflow的实时问题，我们还提供了一个松弛通道。最后，你可以在Twitter上关注[@MLflowOrg]（Kevin Kuo）获取最新消息。信用我们要感谢以下对MLflow 0.8的更新、文档更改和贡献的贡献者：亚伦·戴维森、亚当·伯恩哈德、科里·祖玛、德罗尔·阿塔利亚、GCBallesteros、哈维尔·鲁拉斯基、朱尔斯·达姆吉、凯文·库奥、曼尼·帕克赫、马库斯·雷姆、穆罕默德·拉吉、里奇·贾因、谢尔盖·奇皮加、盛根、西德哈斯·默金、斯蒂芬妮·博多夫，汤玛斯·尼科德姆，赵峰。免费试用Databricks。今天就开始吧