入门
基于 MLflow 官方文档（mlflow.org/docs/latest，Tracking / Models / Model Registry / Autolog 章节）编写，对照当前稳定版 3.14.0（2026-06-17）
速查
- 安装：
pip install mlflow（带 UI：pip install mlflow[extras]） - 启动 Tracking Server：
mlflow ui（默认http://127.0.0.1:5000），数据落./mlruns - 核心数据模型：experiment（实验）→ run（一次执行）→ param（参数）/ metric（指标，可时序）/ artifact（任意文件：模型、图、配置）
- autolog：
mlflow.autolog()一行，自动捕获 sklearn/PyTorch/XGBoost/TensorFlow/Keras/LightGBM/PySpark 等的训练信息 - 手动记录：
mlflow.log_param/log_metric/log_artifact/log_params/log_metrics - 运行上下文：
with mlflow.start_run(run_name=...) as run:自动管理 run 生命周期 - 模型 flavor：
python_function（pyfunc）是基础 flavor；sklearn/pytorch/tensorflow 等在其上叠加，均含 pyfunc - 记录模型：
mlflow.<flavor>.log_model(model, "name")，例如mlflow.sklearn.log_model - 加载模型：
mlflow.<flavor>.load_model("runs:/<run_id>/name")或通用mlflow.pyfunc.load_model(...) - Model Registry：
mlflow.register_model("runs:/<id>/model", "MyModel")，版本化 + Stage + 标签 - 版本：稳定版 3.14.0（2026-06-17）；Python ≥ 3.9
安装与启动 Tracking Server
bash
pip install mlflow # 或 pip install "mlflow[extras]" 带额外依赖
mlflow ui --host 0.0.0.0 --port 5000 # 启动 UI，默认数据存 ./mlruns本地实验默认数据落盘到 ./mlruns/（experiment → run → artifacts 的目录结构）。生产环境通常自托管 Tracking Server，配 PostgreSQL（元数据）+ S3/GCS/Azure Blob（artifact）。
第一个实验：autolog 三行
python
import mlflow
import mlflow.sklearn
from sklearn.ensemble import RandomForestClassifier
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
mlflow.autolog() # ① 一行开启自动记录
X, y = load_iris(return_X_y=True)
X_tr, X_te, y_tr, y_te = train_test_split(X, y, random_state=42)
with mlflow.start_run(run_name="rf-iris"): # ② 自动创建 run
clf = RandomForestClassifier(n_estimators=100, max_depth=3)
clf.fit(X_tr, y_tr) # ③ fit 触发 autolog：param/metric/model 全部落盘
# mlflow.autolog 已自动 log 了 accuracy、模型、依赖等打开 http://127.0.0.1:5000 即可看到这次 run 的参数、指标、模型产物。
手动记录：精确控制
autolog 抓不到的自定义内容用手动 API：
python
with mlflow.start_run(run_name="manual-run"):
# 参数（一次性的标量）
mlflow.log_param("learning_rate", 0.01)
mlflow.log_params({"batch_size": 64, "optimizer": "adam"})
# 指标（可多次记录，自动按时序绘图）
for step in range(100):
mlflow.log_metric("train_loss", compute_loss(step), step=step)
# 产物（任意文件）
mlflow.log_artifact("confusion_matrix.png")
mlflow.log_artifacts("./outputs/") # 整个目录
# 模型
mlflow.sklearn.log_model(clf, "model", registered_model_name="IrisClf")要点：
- param vs metric：param 是配置（一次性、唯一），metric 是测量值（可多次记，带 step 形成时序曲线）
- artifact 任意：图片、JSON、CSV、二进制都行，UI 直接预览常见格式
- run 生命周期：
with mlflow.start_run()自动end_run()；不显式end_run的 run 会标记为活跃
Models 与 Flavor
MLflow Model 是一个标准目录结构（MLmodel 元数据 + 权重 + 依赖），由 flavor 描述如何加载：
python
# 记录（带 pyfunc 基础 flavor）
mlflow.sklearn.log_model(clf, "model")
# 用具体 flavor 加载（保留原生对象）
clf = mlflow.sklearn.load_model("runs:/<run_id>/model")
# 用通用 pyfunc 加载（统一 predict，不关心底层框架）
pyfunc_model = mlflow.pyfunc.load_model("runs:/<run_id>/model")
preds = pyfunc_model.predict(X_te)python_function（pyfunc）是所有 Python 模型的基础 flavor——任何被记录的 Python 模型都必须可被 mlflow.pyfunc.load_model 加载。框架 flavor（sklearn/pytorch/tensorflow...）在其上叠加，记录时自动带上 pyfunc。这让下游部署工具只需懂 pyfunc 一个接口，不必为每个框架写适配。
Model Registry：版本与治理
python
# 把一次 run 的模型注册到 Registry
mv = mlflow.register_model(
model_uri="runs:/<run_id>/model",
name="IrisClassifier",
)
print(mv.version) # 1, 2, 3... 自增
# 转换阶段
from mlflow.tracking import MlflowClient
client = MlflowClient()
client.transition_model_version_stage(
name="IrisClassifier",
version=1,
stage="Production", # None / Staging / Production / Archived
)
client.set_registered_model_tag("IrisClassifier", "task", "classification")Registry 提供：版本化（model version 自增）、Stage（None/Staging/Production/Archived）、标签与别名（alias 如 champion/challenger）、审批（Databricks 托管版有工作流，开源版靠约定）。
下一步
入门掌握 Tracking + autolog + Models + Registry 后，按方向深入：
- 要可复现运行：读 Projects 章节，把代码 + 环境打成可复现包
- 要做 LLM 评测：转
mlflow.genai/mlflow.evaluate，写评测数据集与 scorer - 要结构化流水线：看 Recipes / Pipelines（注意官方定位在演进）
- 要部署：用 Deployments Server 做统一推理网关，或把 pyfunc 模型扔到 SageMaker / KServe / Ray Serve