未记录任何项目MLFlow

Question

我无法在MLFlow中存储、查看和检索工件。工件文件夹是空的，与创建新实验和分配正确的实验名称和位置无关。

服务器: mlflow server --backend-store-uri mlruns/ --default-artifact root mlruns/ --host 0.0.0.0 --port 5000

创建一个实验: mlflow.create_experiment(exp_name，artifact_location=‘mlrun/’)

with mlflow.start_run():
    mlflow.log_metric("mse", float(binary))
    mlflow.log_artifact(data_path, "data")
    # log model
    mlflow.keras.log_model(model, "models")

代码编译并运行，但没有记录任何工件。它有mlflow.log-model.history文件，但没有model.h5

Answer 1

当我开始开发MLflow时，我也遇到了同样的问题。

所以概念是tracking uri和artifact uri是两个不同的东西。

tracking uri存储日志，artifact uri存储工件(如yaml、pkl等)。

但是如果你想要一个通用的uri，你可以使用SQLite作为本地数据库，然后你的命令就会是这样的……

mlflow服务器--后端存储-uri sqlite:/mlruns.db--主机0.0.0.0 --端口5000

Note:如果您使用的是远程服务器，那么您的工件存储也应该是远程存储，它不适用于本地数据库

别忘了显式地设置跟踪uri，也有两种方法：

代码mlflow.set_tracking_uri("sqlite:///mlruns.db")

• using环境中的
• 可变export MLFLOW_TRACKING_URI=sqlite:///mlruns.db

Answer 2

工件存储需要对服务器和客户端都是可访问的。如果您的客户端是从远程计算机连接的，并且您还没有配置像S3这样的远程工件存储，那么它们的工件文件将保存在本地。您可以查看本地存储

这里有一个关于现在支持的不同工件存储的解释：https://mlflow.org/docs/latest/tracking.html#artifact-stores

Answer 3

我也有同样的问题(对于mlflow.pytorch)。对我来说，它是通过替换log_model()和log_atrifacts()来修复的。

所以记录这个工件的是：

mlflow.log_metric("metric name", [metric value])
mlflow.pytorch.log_model(model, "model")
mlflow.log_artifacts(output_dir)

此外，对于终端中的ui，请cd到mlruns所在的目录。例如，如果mlruns的位置是...\your-project\mlruns

cd ...\your-project

转到安装了mlflow的环境。

...\your-project> conda activate [myenv]

然后，运行mlflow ui

(myenv) ...\your-project> mlflow ui

我在this post中也回答了这个问题：