MLFlow Docker设置 如果您想使用单线启动mlflow项目-此存储库适合您。 唯一的要求是将docker安装在您的系统上，我们将在linux / windows上使用Bash。 特征 通过一个文件（.env）进行设置 生产就绪的Docker卷 单独的工件和数据容器 准备好bash脚本来复制和粘贴，以供同事使用您的服务器！ 简单的安装指南 配置.env文件供您选择。 您可以在其中放置任何您喜欢的东西，它将用于配置您的服务 通过这一行来运行基础结构： $ docker-compose up -d Creating network " mlflow-basis_A " with driver " bridge " Creating mlflow_db ... done Creating tracker_mlflow ... done Creating aws-s3

资源来自pypi官网，解压后可用。 资源全名：mlflow-1.10.0-py3-none-any.whl

Databricks出品的MLflow：一个完整机器学习生命周期的开源平台 MLflow：机器学习生命周期平台 MLflow 是一个简化机器学习开发的平台，包括跟踪实验、将代码打包成可重现的运行以及共享和部署模型。 MLflow 提供了一组轻量级 API，可与任何现有的机器学习应用程序或库（TensorFlow、PyTorch、XGBoost 等）一起使用，无论您当前在何处运行 ML 代码（例如在笔记本、独立应用程序或云中）。 MLflow 的当前组件是： MLflow 跟踪：一个 API，用于记录机器学习实验中的参数、代码和结果，并使用交互式 UI 进行比较。 MLflow 项目：一种使用 Conda 和 Docker 可重复运行的代码打包格式，因此您可以与他人共享您的 ML 代码。 MLflow 模型：一种模型打包格式和工具，可让您轻松部署相同模型（来自任何 ML 库）以在 Docker、Apache Spark、Azure ML 和 AWS SageMaker 等平台上进行批量和实时评分。 MLflow 模型注册表：一个集中的模型存储、一组 API 和 UI，用于协作管

mlflow-master器学习生命周期的开源平台

使用LSTM进行血糖预测并使用MLFLOW进行模型管理，您将了解如何在Keras深度学习库中开发用于多变量时间序列预测的LSTM模型。并基于LSTM模型进行血糖预测。

使用MLflow服务按需机器学习模型 使用和的按需训练和服务的机器学习模型的解决方案。 那里的大多数文档和样本通常会向您展示如何采用一种特定的ML模型并将其引入具有生产规模的生产环境中。 在此示例解决方案中，我们尝试提供一种方法来同时缩放系统中现有的不同模型的数量，而不是针对将要回答的推理请求的数量缩放一个特定的模型。 它是根据实际用例进行概括的，在该用例中，最终用户的行为需要对模型进行即时训练，然后根据其规格进行小规模推理。 此存储库中的代码允许创建MLflow项目的数据科学家使用不同的参数对其进行测试，然后再根据经过训练的模型为模型提供预测结果。 运行此示例时，我们假设一个笔记本已经在Azure Databricks中加载，并且该笔记本正在使用MLflow来存储和记录实验。 在此存储库中，有2个（基于MLflow提供的示例），您可以用来入门。 建筑 该解决方案包括在上部署的3个。 在此示例中，服务通过REST API进行通信。 是解决方案的入口点，可在发出火车模型请求和运行模型以接收预测结果之间进行导航。 管理对Databricks的请求-启动集群并运行笔记本来训练ML