MLflow

## 总结

MLflow 是开源 ML 生命周期平台，在实验追踪与模型服务方面表现成熟。它是团队规范化管理机器学习流程的标准工具。

## 常见问题

**MLflow 免费吗？** 开源免费使用。

**支持哪些框架？** 兼容 TensorFlow、PyTorch、Scikit-learn 等。

**可以部署模型吗？** 支持内置 REST API 部署为微服务。

## 快速上手

1. 安装 MLflow；2. 在训练中记录实验；3. 查看 Web UI；4. 注册模型版本；5. 打包部署服务。

## 使用技巧

**记录规范**：统一参数与指标命名；**阶段管理**：模型按 Staging/Production 流转；**血缘追踪**：保留数据与代码版本。

## 进阶提示

建议把「实验→追踪→注册→打包→部署」固化为 MLOps 流程，实验追踪保可复现，模型注册管版本，服务部署打通上线，形成完整的 ML 管理闭环。

**补充说明**：MLflow 适合作为团队的 ML 平台底座，接入现有训练代码成本较低；建议从实验追踪开始使用，逐步扩展模型注册与部署，避免一次性全量改造带来的迁移成本。MLflow 还支持模型服务的多环境管理，同一模型可同时运行多个版本并按需切换流量；配合网关类工具还可实现灰度发布，让上线过程更可控。

## 适用场景补充

实验管理、模型注册、MLOps、模型部署、团队协作等场景均适用。

## 一句话总结

开源ML生命周期平台，追踪注册部署一站管理。