追 ML 試

見 Extended Examples 為全配檔與模

立 MLflow 追服、行全試追含度、參、物。

用

• 始新 ML 案需試追→用
• 由手日轉至自追→用
• 系比多模訓行→用
• 與隊分試果→用
• 建可重現 ML 流含全系追→用
• 整試追於 CI/CD 流→用

入

• 必：含 ML 框（sklearn、pytorch、tensorflow、xgboost）之 Python 境
• 必：MLflow 裝（pip install mlflow）
• 可：遠存背（S3、Azure Blob、GCS）為物
• 可：庫背（PostgreSQL、MySQL）為元存
• 可：遠背認憑

行

一：初 MLflow 追服

立 MLflow 追服含宜背。

# 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)

建配檔為隊享：

# 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 可訪於指 host:port、示空試列。服日確啟成無誤。

敗：察口可用以 netstat -tulpn | grep 5000、驗庫連串、確 S3 憑配（aws configure）、察防火牆規於遠訪。

二：配 ML 框自記

啟框自記以自捕度、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)

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 含諸超參、度（訓/驗失、準）、模物、入例自記。

敗：驗 MLflow 版於 ML 框合（mlflow.sklearn.autolog() 需 MLflow ≥1.20）、察自記支於模類否、閉自記用手記為退、用 mlflow.set_tracking_uri() 察日為連誤。

三：行全手記

加自度、參、物、標為全試文。

# 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 示富試訊含逐步度、視物、模簽、入例、為濾搜之全標。

敗：察物存權（aws s3 ls s3://bucket/path）、驗 matplotlib 背為圖記（plt.switch_backend('Agg')）、確 JSON 可序資類為 log_dict、察碟空為本物存。

四：比行而生報

用 MLflow 比工析多試。

# 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：終出示序行含要度、HTML 報生含格比表、CSV 檔含諸行資為深析。

敗：以 mlflow experiments list 驗試在、察度名精配（敏）、確行成（察行態）、驗檔書權於出檔。

五：配遠物存

立 S3/Azure/GCS 背為可長物管。

# 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 含 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：物上載成於遠存、MLflow UI 示物鏈指 S3/Azure/GCS URI、由 UI 載物正行。

敗：以 aws s3 ls 或 az storage blob list 驗雲憑、察桶/容權（需書權）、確 MLflow 含雲附（pip install mlflow[extras]）裝、測網於存端、察 CORS 為瀏訪。

六：行試生命管

立自清、藏、組策。

# 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：舊試移至刪態、敗行自活列除、佳行標為易濾於 UI、存空復。

敗：察試權（必為主乃可刪）、驗行於 FAILED 態、確度於諸序行存、察庫連於批操、驗遠存物刪足權。

驗

• MLflow 追服可由 web UI 訪
• 試建而行記成
• 自記捕框特度自
• 自度、參、物正記
• 比查返期頂行
• 遠物存配而行
• 物可由 UI 與程載
• 行濾搜以標行
• HTML 比報生無誤
• 生命管腳本執成

忌

• 連超時：MLflow 服自訓腳本不可訪——驗 MLFLOW_TRACKING_URI 環變、察防火、確服行
• 物上載敗：S3/Azure 憑未配或桶不在——先測雲 CLI 訪、驗桶權
• 缺度：自記閉或框版不支——察 MLflow 版合、退至手記
• 行雜：試行過多污 UI——早行標策、常用生命管腳本
• 大物：記全資致存脹——唯記樣或參、用外資版（DVC）
• 名不一：諸行間參異名——於配檔標名規
• 庫鎖：SQLite 不支並書——多用境用 PostgreSQL/MySQL
• 自記衝：多自記配相擾——用 exclusive=True 或閉衝自記

參

• register-ml-model - 登追之模於 MLflow 模登
• version-ml-data - 用 DVC 為可重現試版資集
• setup-automl-pipeline - 整試追於自 ML 流
• deploy-ml-model-serving - 部最佳追之模於產
• orchestrate-ml-pipeline - 合試追與流協