VIP20

本课程属于：013-MLOps数据底座 数据工程与实时数据平台 · 共 20 门相关课程，组合学习更完整。

查看所属VIP全部课程 →

← 返回所属目录咨询 / 购买

MLOps实验追踪与模型版本关联

📚 共计 30 章节

点击此处阅读海量试读课程：100+行业、1000+细分领域

实验追踪概述

为什么需要实验追踪？核心概念：实验、运行、指标、参数、工件，构建可复现的AI工作流。

MLflow简介、安装与配置，掌握核心API：start_run、log_param、log_metric，快速上手实验记录。

记录实验参数与指标，使用mlflow.autolog自动捕获，探索MLflow UI界面进行可视化分析。

实战自动记录

嵌套运行、标签与描述管理，搜索与比较实验，高效组织大量实验迭代。

模型版本管理概述

模型版本管理的意义，与代码版本控制的区别，对比MLflow Model Registry、DVC、Weights & Biases。

MLflow Model Registry

注册模型、管理版本、阶段转换（Staging → Production），实现模型生命周期的规范化。

DVC简介、安装与初始化，数据版本控制基础：dvc add、dvc push、dvc pull。

DVC数据版本

将数据集纳入版本管理，与Git协同工作，配置远程存储（S3、GCS），实现数据安全共享。

实战远程存储

管道（Pipeline）定义与运行（dvc.yaml），指标追踪（dvc metrics），构建可复现的数据科学流程。

实验追踪与模型注册集成

将MLflow Tracking与Model Registry结合，实现从实验到部署的闭环，提升团队协作效率。

Weights & Biases (WandB) 入门

WandB简介、安装与配置，记录第一次实验，体验云端实验面板的便捷。

超参数调优可视化、损失曲线与指标面板，实时监控训练过程，快速定位最优配置。

可视化调优

Artifacts管理数据集与模型，Report协作分享实验发现，打造团队知识库。

Artifacts协作

实验对比与可视化

使用MLflow/WandB对比不同实验的指标，分析参数重要性，科学指导模型选型。

超参数调优与实验追踪

结合Optuna/Ray Tune进行自动化调参，自动记录每次试验结果，加速模型优化。

调参自动化

模型序列化与打包

使用MLflow模型风味（Flavor）保存模型，支持Python Function、PyTorch、TensorFlow等框架。

序列化Flavor

模型部署与版本回滚

从Model Registry加载模型，部署到REST API，制定版本回滚策略，保障服务稳定性。

数据版本控制与模型血缘

使用DVC追踪数据版本，建立数据-模型-实验的血缘关系，实现端到端可追溯。

血缘可追溯

大规模实验管理

标签体系、命名规范、团队协作最佳实践，高效管理成百上千次实验。

CI/CD中的实验追踪

在GitHub Actions中集成MLflow，自动记录每次提交的实验结果，实现持续实验。

实验追踪的安全性

访问控制、敏感信息管理（、数据集权限），保护实验资产安全。

Kubeflow与实验追踪

在Kubeflow Pipeline中集成MLflow Tracking，实现云原生实验管理。

Kubeflow云原生

多框架支持

在同一个项目中混合使用PyTorch和TensorFlow，统一实验记录，打破框架壁垒。

多框架统一

实验复现性

固定随机种子、记录环境依赖（conda env、requirements.txt），确保实验可复现。

模型评估与比较

定义统一的评估指标，生成对比报告，科学决策模型选型。

实验存储后端

配置MLflow使用PostgreSQL/MySQL作为后端存储，使用S3作为工件存储，支撑企业级规模。

模型监控与漂移检测

部署后的模型性能监控，结合实验追踪进行根因分析，保持模型在线效果。

团队协作工作流

Feature Branch实验、Code Review中的实验结果审查，提升团队协作效率。

协作工作流

案例实战：图像分类

图像分类项目全流程——从数据版本控制、实验追踪到模型注册与部署，完整落地。

案例实战：NLP文本生成

NLP文本生成项目全流程——多实验对比、最佳模型选择与A/B测试，深入业务场景。