策划编辑 | Natalie

作者 | Matei Zaharia

译者 | 无明

编辑 | Vincent

**AI 前线导读：**在昨天开幕的 Spark+AI Summit 大会上，Spark 和 Mesos 的核心作者兼 Databrick 首席技术专家 Matei Zaharia 宣布推出开源机器学习平台 MLflow，这是一个能够覆盖机器学习全流程（从数据准备到模型训练到最终部署）的新平台，旨在为数据科学家构建、测试和部署机器学习模型的复杂过程做一些简化工作。Matei 表示，研究工作主要围绕着“如何为开发者提供类似谷歌 TFX、Facebook FBLearner Flow 等平台类似的好处，但是要以开放的方式——不仅在开源的意义上开放，而且是可以使用任何工具和算法的意义上开放"的想法展开。

Matei 为 MLflow 撰写了一篇介绍文章，AI 前线对文章进行了编译。这个全新的机器学习平台到底有何新特性？让我们来一探究竟。

更多干货内容请关注微信公众号“AI 前线”，（ID：ai-front）

每个做过机器学习开发的人都知道机器学习的复杂性，除了软件开发中常见的问题之外，机器学习还存在很多新的挑战。作为一家大数据解决方案公司，Databricks 与数百家使用机器学习的公司合作，所以能够清楚地了解他们的痛点，比如工具太过复杂、难以跟踪实验、难以重现结果、难以部署模型。由于这些挑战的存在，机器学习开发必须变得与传统软件开发一样强大、可预测和普及。为此，很多企业已经开始构建内部机器学习平台来管理机器学习生命周期。例如，Facebook、谷歌和优步分别构建了 FBLearner Flow、TFX 和 Michelangelo 来进行数据准备、模型训练和部署。但这些内部平台存在一定的局限性：典型的机器学习平台只支持一小部分内置算法或单个机器学习库，并且被绑定在公司内部的基础设施上。用户无法轻易地使用新的机器学习库，或与社区分享他们的工作成果。

Databricks 认为应该使用一种更好的方式来管理机器学习生命周期，于是他们推出了 MLflow，一个开源的机器学习平台。

MLflow：开放式机器学习平台

MLflow 的灵感来源于现有的机器学习平台，但以开放性作为主要设计目标：

  1. 开放接口：MLflow 可与任何机器学习库、算法、部署工具或编程语言一起使用。它基于 REST API 和简单的数据格式（例如，可将模型视为 lambda 函数）而构建，可以使用各种工具，而不只是提供一小部分内置功能。用户可以很容易地将 MLflow 添加到现有的机器学习代码中，并在组织中共享代码，让其他人也能运行这些代码。

  2. 开源：MLflow 是一个开源项目，用户和机器学习库开发人员可以对其进行扩展。此外，利用 MLflow 的开放格式，可以轻松地跨组织共享工作流步骤和模型。

Mlflow 目前仍处于 alpha 阶段，但它已经提供了一个可用的框架来处理机器学习代码。接下来将详细介绍 MLflow 和它的组件。

MLflow 的组件（alpha 版）

MLflow 的 alpha 版本包含了三个组件：

MLflow 的跟踪组件支持记录和查询实验数据，如评估度量指标和参数。MLflow 的项目组件提供了可重复运行的简单包装格式。最后，MLflow 的模型组件提供了用于管理和部署模型的工具。

MLflow 的跟踪组件

MLflow 的跟踪组件提供了一组 API 和用户界面，用于在运行机器学习代码时记录参数、代码版本、度量指标和输出文件，以便在后续进行可视化。通过几行简单的代码就可以跟踪参数、度量指标和文件：

![](https://img.6aiq.