MLflow 是一个开源的机器学习生命周期管理平台，主要提供以下能力：
本镜像基于 OpenCloudOS 9 构建，提供轻量级 MLflow Tracking Server 运行环境。
docker build -t oc9-mlflow:3.11.0 .
docker run --rm oc9-mlflow:3.11.0 \
python3 -c "import mlflow; print(mlflow.__version__)"
docker run -d \
--name mlflow \
-p 5000:5000 \
oc9-mlflow:3.11.0
访问：
http://localhost:5000
默认情况下，容器中的实验数据会随着容器删除而丢失。
推荐挂载数据目录：
docker run -d \
--name mlflow \
-p 5000:5000 \
-v $(pwd)/mlruns:/mlruns \
oc9-mlflow:3.11.0 \
sh -c "mlflow server \
--backend-store-uri sqlite:///mlruns/mlflow.db \
--default-artifact-root /mlruns \
--host 0.0.0.0 \
--port 5000"
目录说明：
mlruns/
├── mlflow.db
└── artifacts
创建示例脚本：
import mlflow
import random
mlflow.set_tracking_uri("http://127.0.0.1:5000")
mlflow.set_experiment("demo-experiment")
with mlflow.start_run():
mlflow.log_param("learning_rate", 0.01)
mlflow.log_param("epochs", 10)
for step in range(10):
loss = 1.0 / (step + 1)
accuracy = 0.8 + random.random() * 0.1
mlflow.log_metric("loss", loss, step=step)
mlflow.log_metric("accuracy", accuracy, step=step)
with open("result.txt", "w") as f:
f.write("training completed")
mlflow.log_artifact("result.txt")
运行：
python3 train.py
然后访问：
http://localhost:5000
即可查看实验参数、指标和 Artifact。
如果训练任务运行在其他容器中，建议使用 Docker Network。
创建网络：
docker network create mlflow-net
启动 MLflow：
docker run -d \
--name mlflow \
--network mlflow-net \
-p 5000:5000 \
oc9-mlflow:3.11.0
训练容器中配置：
export MLFLOW_TRACKING_URI=http://mlflow:5000
| 配置项 | 默认值 |
|---|---|
| Host | 0.0.0.0 |
| Port | 5000 |
| Working Directory | /workspace |
Content type
Image
Digest
sha256:440e3155f…
Size
281.8 MB
Last updated
4 months ago
docker pull ocpub/oc9-mlflow:3.11.0