openeuler/mlflow

快速参考

• 官方MLflow Docker镜像。

• 维护者：openEuler CloudNative SIG。

• 获取帮助：openEuler CloudNative SIG，openEuler。

MLflow | openEuler

当前MLflow Docker镜像基于openEuler构建。本仓库可免费使用，且无每用户速率限制。

MLflow的核心是提供一套简化机器学习工作流的工具，旨在协助ML从业者完成ML开发和部署的各个阶段。尽管功能广泛，其核心功能基于以下几个基础组件：

• 跟踪（Tracking）：MLflow Tracking提供API和UI，用于记录ML过程中的参数、代码版本、指标和工件。这个集中式仓库捕获参数、指标、工件、数据和环境配置等细节，帮助团队了解模型随时间的演变。无论是在独立脚本、笔记本还是其他环境中，Tracking都能将结果记录到本地文件或服务器，便于比较不同用户的多个运行。

• 模型注册表（Model Registry）：一种系统化的模型管理方法，协助处理模型的不同版本、识别其当前状态并确保顺利投入生产。它提供集中式模型存储、API和UI，用于协作管理MLflow模型的全生命周期，包括模型谱系、版本控制、别名、标记和注释。

• LLM部署（MLflow Deployments for LLMs）：该服务器配备一套标准化API，简化对SaaS和OSS LLM模型的访问。它作为统一接口，通过身份验证访问增强安全性，并为主流LLM提供通用API集。

• 评估（Evaluate）：专为深入模型分析设计的工具集，便于客观比较模型，无论是传统ML算法还是前沿LLM。

• 提示工程UI（Prompt Engineering UI）：一个专注于提示工程的UI组件，提供提示实验、优化、评估、测试和部署的专用环境。

• recipes：作为ML项目结构化的指南，虽提供建议，但专注于确保针对实际部署场景优化的功能性最终结果。

• 项目（Projects）：MLflow Projects标准化ML代码、工作流和工件的打包，类似于可执行文件。每个项目（无论是包含代码的目录还是Git仓库）都使用描述符或约定来定义其依赖项和执行方法。

了解更多请访问MLflow官网。

支持的标签及对应Dockerfile链接

每个mlflow docker镜像的标签由mlflow版本和基础镜像版本组成。详情如下：

使用方法

在使用时，用户可根据需求选择相应的{Tag}。

• 从Docker拉取openeuler/mlflow镜像

  bash
  docker pull openeuler/mlflow:{Tag}
  

• 启动mlflow实例

  bash
  docker run -d --name my-mlflow -p 5000:5000 openeuler/mlflow:{Tag}
  

  实例my-mlflow启动后，通过http://localhost:5000访问mlflow服务。

• 查看容器运行日志

  bash
  docker logs -f my-mlflow
  

• 获取交互式shell

  bash
  docker exec -it my-mlflow /bin/bash
  

问题与解答

如有任何问题或需要使用特定功能，请在openeuler-docker-images提交issue或pull request。