Databricks 釋出 MLflow 0.8.0，改善實驗用 UI、可以 Docker 容器部署模型到 Azure 上

Databricks 釋出 MLflow 0.8.0，改善實驗用 UI、可以 Docker 容器部署模型到 Azure 上

News from: iThome & Apache Spark - Databricks

MLflow 0.8.0改善四個使用者介面功能，分別是緊湊的指標和參數顯示、巢狀執行（Nesting Runs）、標記執行（Labeling Runs）、以及記憶使用者介面設定。

由Apache Spark技術團隊所創立的Databricks，積極更新其在6月釋出的開源機器學習平臺MLflow，現在釋出0.8.0版本，這次更新重點在於改進使用者介面，並且現在還能透過Docker容器，直接將模型部署到Azure機器學習服務中。使用者已經可以在PyPI上取得最新的MLflow 0.8.0。

MLflow 0.8.0主要改善了MLflow的使用者介面，以增進追蹤和分類實驗的使用者體驗，改善的工作主要有四個部分，分別是緊湊的指標和參數顯示、巢狀執行（Nesting Runs）、標記執行（Labeling Runs）、以及記憶使用者介面設定。



為了避免度量指標和參數顯示過於凌亂，或是超出欄位可以顯示空間，現在系統會預設將這些數字組合在單一表格列中，如此每一次執行實驗的參數和指標都會顯示在附近，使用者可以透過單擊每個參數和指標，將其顯示在單獨的欄位中，或是按排序以客製化的方式顯示。在MLflow 0.8.0中，使用者介面開始提供巢狀執行。對於一般用於搜尋超參數或是多步驟工作流程的巢狀MLflow執行，使用者介面現在將在每個父執行下方顯示可折疊樹，而這將使得組織以及視覺化多步驟流程更加容易。

另外， MLflow還開始提供標記執行，雖然MLflow預設為每次實驗提供一個UUID，但使用者現在也可以用API，為每次執行分配一個名稱，也可以直接在使用者介面中編輯這些名稱。MLflow使用者介面現在還會記住本機瀏覽器儲存的過濾器、排序和欄位配置，使用者不再需要每次重新設定視圖。

MLflow也重新修改了Azure機器學習部署工具，使用者現在可以利用更新的Azure ML SDK，來部署打包成Docker容器的MLflow模型。使用mlflow.azureml模組，使用者可以將python_function模型打包到Azure ML容器映像檔中，並將這個映像檔部署到Azure Kubernetes服務（AKS）和Azure容器執行個體（ACI）平臺上，以提供即時服務。