1 MLFlow简介
mlFlow是一个支持机器学习生命周期的框架。这意味着它拥有在训练和运行期间监控模型的组件、存储模型的能力，在生产代码中加载模型以及创建管道。
该框架引入了3个不同的功能：
1. MlFlow追踪
追踪可能是框架最有趣的功能。它允许您围绕模型创建广泛的日志记录框架。您可以定义自定义指标，以便在运行后可以将输出与先前的运行进行比较。
2. MlFlow项目
此功能允许您根据需要创建管道。此功能使用自己的模板来定义您希望如何在云环境中运行模型。由于大多数公司都有办法在生产环境中运行代码，因此您可能不太关心此功能。
3. MlFlow模型
最后我们有模型功能。 mlFlow Model是包装机器学习模型的标准格式，可以在各种下游工具中进行使用 - 例如，通过REST API实时提供服务或在Apache Spark上进行批量推理。
理论完成：时间到了
那么这个理论总是很好，但是现在是时候进行更多的实践。首先，我们需要在实际启动之前启动mlFlow服务器。为了做到这一点，我创建了一个docker容器，以便于部署。
2. MLflow：全新的开源机器学习平台
MLflow 从现有 ML 平台中得到灵感，在设计上拥有以下两项开放理念：
- 开放的交互界面
MLflow 被设计成支持所有 ML 库、算法、部署工具和语言，它围绕 REST API 和可以从多种工具中应用的简单数据格式（如将模型看作 lambda 函数 ）建立，而不是仅支持少量内建功能。这带来一个立竿见影的好处：可以轻易将 MLflow 加入现有代码中，同时，在组内分享可执行的使用任意 ML 库的代码也变得简单。 - 开源
MLflow 是一个开源项目，用户和工具库开发者能对其进行扩展。另外，如果你希望开源自己的代码，得益于 MLflow 的开放格式，在组织间共享工作流步骤和模型十分简单。
