追 ML 之試

全配文與模板見 Extended Examples。

立 MLflow 追服而行全試之追，含計、參、件。

用時

• 始須試追之新 ML 項目乃用
• 自手日遷至自追乃用
• 系比多模訓行乃用
• 與隊享試果乃用
• 立可復 ML 流附全血追乃用
• 合試追於 CI/CD 流乃用

入

• 必要：含 ML 框（sklearn、pytorch、tensorflow、xgboost）之 Python 境
• 必要：MLflow 之裝（pip install mlflow）
• 可選：遠儲後（S3、Azure Blob、GCS）為件
• 可選：資庫後（PostgreSQL、MySQL）為元儲
• 可選：遠後之驗身憑

法

第一步：初 MLflow 追服

立 MLflow 追服與宜後儲。

# Option 1: Local file-based tracking (development)
mkdir -p mlruns
export MLFLOW_TRACKING_URI="file:./mlruns"

# Option 2: SQLite backend with local artifacts
mlflow server \
  --backend-store-uri sqlite:///mlflow.db \
  --default-artifact-root ./mlartifacts \
# ... (see EXAMPLES.md for complete implementation)

立配文為團享：

# mlflow_config.py
import os

MLFLOW_TRACKING_URI = os.getenv(
    "MLFLOW_TRACKING_URI",
    "http://mlflow-server.company.com:5000"
)

# ... (see EXAMPLES.md for complete implementation)

得：MLflow UI 於所定 host:port 可達，示空試列。服日確啟成而無誤。

敗則：以 netstat -tulpn | grep 5000 察口可用，驗資庫連串，確 S3 憑已設（aws configure），察防火牆為遠取。

第二步：為 ML 框設自記

啟框特之自記以自捕計、參、模。

# training_script.py
import mlflow
from mlflow_config import MLFLOW_TRACKING_URI, MLFLOW_EXPERIMENT_NAME

# Set tracking URI
mlflow.set_tracking_uri(MLFLOW_TRACKING_URI)
mlflow.set_experiment(MLFLOW_EXPERIMENT_NAME)

# ... (see EXAMPLES.md for complete implementation)

為 PyTorch：

import mlflow.pytorch

mlflow.pytorch.autolog(
    log_every_n_epoch=1,
    log_every_n_step=None,
    log_models=True,
    disable=False,
    exclusive=False,
# ... (see EXAMPLES.md for complete implementation)

得：行現於 MLflow UI，諸超參、計（訓／驗損、準）、模件、入例皆已自記。

敗則：驗 MLflow 之版與 ML 框之兼容（mlflow.sklearn.autolog() 須 MLflow ≥1.20），察自記是否支君之模類，閉自記而用手記為退，以 mlflow.set_tracking_uri() 察連誤。

第三步：行全手記

加自定計、參、件、標為全試文檔。

# comprehensive_tracking.py
import mlflow
import numpy as np
import matplotlib.pyplot as plt
from pathlib import Path

def train_and_log_model(params, X_train, y_train, X_test, y_test):
    """
# ... (see EXAMPLES.md for complete implementation)

得：MLflow UI 顯豐之試資，含逐步計、視件、模簽、入例、為篩搜之全標。

敗則：察件儲之權（aws s3 ls s3://bucket/path），驗 matplotlib 後為圖記（plt.switch_backend('Agg')），確 log_dict 之資為 JSON 可序，察本機件儲之盤空。

第四步：比行而生報

用 MLflow 之比器以析多試。

# compare_runs.py
import mlflow
from mlflow.tracking import MlflowClient

client = MlflowClient()

def compare_experiments(experiment_name, metric_name="test_accuracy", top_n=5):
    """
# ... (see EXAMPLES.md for complete implementation)

命行之比：

# Compare runs using MLflow CLI
mlflow runs compare --experiment-name customer-churn \
  --order-by "metrics.test_accuracy DESC" \
  --max-results 10

# Export run data to CSV
mlflow experiments csv --experiment-name customer-churn \
  --output experiments.csv

得：終端示序之行附要計，HTML 報已生附格之比表，CSV 文含諸行資為續析。

敗則：以 mlflow experiments list 驗試存，察計名精合（區大小），確行已成（察行態），驗出文之寫權。

第五步：設遠件儲

立 S3／Azure／GCS 後為可擴件治。

# artifact_storage_config.py
import mlflow
import os

def configure_s3_backend():
    """
    Configure S3 for artifact storage.
    """
# ... (see EXAMPLES.md for complete implementation)

Docker Compose 為 MLflow 與 PostgreSQL 與 S3：

# docker-compose.yml
version: '3.8'

services:
  postgres:
    image: postgres:14
    environment:
      POSTGRES_DB: mlflow
# ... (see EXAMPLES.md for complete implementation)

得：件成傳於遠儲，MLflow UI 示件鏈指於 S3／Azure／GCS URIs，自 UI 下件正行。

敗則：以 aws s3 ls 或 az storage blob list 驗雲憑，察桶／容權（須寫權），確 MLflow 裝附雲附（pip install mlflow[extras]），試與儲端之網連，察 CORS 設為瀏覽器取。

第六步：行試生命之治

立自清、存、組之策。

# lifecycle_management.py
import mlflow
from mlflow.tracking import MlflowClient
from datetime import datetime, timedelta

client = MlflowClient()

def archive_old_experiments(days_old=90):
# ... (see EXAMPLES.md for complete implementation)

得：舊試移於除態，敗行除於活列，最佳行已標以易篩於 UI，儲空已收。

敗則：察試之權（須為主以除），驗行實於 FAILED 態，確排序所用之計於諸行皆存，察資庫連為批操，驗於遠儲件除之足權。

驗

• MLflow 追服經 UI 可達
• 試已立而行成記
• 自記捕框特之計
• 自定計、參、件正記
• 比之查返期之頂行
• 遠件儲已設而行
• 件可由 UI 與程下
• 行篩搜以標可行
• HTML 比報無誤生
• 生命治之本成行

陷

• 連超時：訓本不可達 MLflow 服——驗 MLFLOW_TRACKING_URI 環變，察防火牆，確服在行
• 件傳敗：S3／Azure 憑未設或桶不存——先試雲 CLI 之取，驗桶權
• 缺計：自記閉或框版不支——察 MLflow 版兼容，退至手記
• 行雜：過試行污 UI——早立標策，常用生命治本
• 大件：記全資致儲膨——唯記樣或引，用外資版治（DVC）
• 不一命：諸行記參異名——配文中標命之規
• 資庫鎖：SQLite 不支並寫——多用境用 PostgreSQL／MySQL
• 自記衝：多自記設互擾——用 exclusive=True 或閉衝之自記

參

• register-ml-model — 註所追之模於 MLflow 模冊
• version-ml-data — 以 DVC 版資為可復試
• setup-automl-pipeline — 合試追於自 ML 流
• deploy-ml-model-serving — 部最佳所追之模於產
• orchestrate-ml-pipeline — 合試追與流編排