本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

訓練期間的日誌指標、參數和 MLflow 模型

連線至 MLflow 追蹤伺服器後，您可以使用 MLflow SDK 記錄指標、參數和 MLflow 模型。

日誌訓練指標

在 MLflow 訓練執行mlflow.log_metric中使用 來追蹤指標。如需使用 MLflow 記錄指標的詳細資訊，請參閱 mlflow.log_metric。

with mlflow.start_run():
    mlflow.log_metric("foo", 1)
    
print(mlflow.search_runs())

此指令碼應建立實驗執行，並列印出類似下列的輸出：

run_id experiment_id status artifact_uri ... tags.mlflow.source.name tags.mlflow.user tags.mlflow.source.type tags.mlflow.runName
0 607eb5c558c148dea176d8929bd44869 0 FINISHED s3://dddd/0/607eb5c558c148dea176d8929bd44869/a... ... file.py user-id LOCAL experiment-code-name

在 MLflow UI 中，此範例看起來應該類似以下內容：

選擇執行名稱以查看更多執行詳細資訊。

日誌參數和模型

下列範例使用 SKLearn 引導您完成基本模型訓練工作流程，並示範如何在 MLflow 實驗執行中追蹤該模型。此範例會記錄參數、指標和模型成品。

import mlflow

from mlflow.models import infer_signature

import pandas as pd
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score

# This is the ARN of the MLflow Tracking Server you created
mlflow.set_tracking_uri(your-tracking-server-arn)
mlflow.set_experiment("some-experiment")

# Load the Iris dataset
X, y = datasets.load_iris(return_X_y=True)

# Split the data into training and test sets
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# Define the model hyperparameters
params = {"solver": "lbfgs", "max_iter": 1000, "multi_class": "auto", "random_state": 8888}

# Train the model
lr = LogisticRegression(**params)
lr.fit(X_train, y_train)

# Predict on the test set
y_pred = lr.predict(X_test)

# Calculate accuracy as a target loss metric
accuracy = accuracy_score(y_test, y_pred)

# Start an MLflow run and log parameters, metrics, and model artifacts
with mlflow.start_run():
    # Log the hyperparameters
    mlflow.log_params(params)

    # Log the loss metric
    mlflow.log_metric("accuracy", accuracy)

    # Set a tag that we can use to remind ourselves what this run was for
    mlflow.set_tag("Training Info", "Basic LR model for iris data")

    # Infer the model signature
    signature = infer_signature(X_train, lr.predict(X_train))

    # Log the model
    model_info = mlflow.sklearn.log_model(
        sk_model=lr,
        artifact_path="iris_model",
        signature=signature,
        input_example=X_train,
        registered_model_name="tracking-quickstart",
    )

在 MLflow UI 中，選擇左側導覽窗格中的實驗名稱，以探索所有相關執行。選擇執行名稱，以查看每個執行的詳細資訊。在此範例中，此執行的實驗執行頁面看起來應該類似以下內容。

此範例會記錄羅吉斯迴歸模型。在 MLflow UI 中，您也應該會看到已記錄的模型成品。