Databricks最近正式发布了 MLflow 与 target="_blank">集成，面向其数据工程和高级订阅。该集成将 MLflow 的特性与>
MLflow 提供了以下三个主要特性：试验跟踪、项目和 MLflow 模型。这些特性中的每一个都可以使用或不使用 target="_blank">与Databricks集成或不集成时，这些特性有不同的表现方式。
MLflow 试验跟踪需要一个位置存储 MLflow 执行过程。MLflow 命令行工具有一个内置的跟踪服务器，可以在其中存储执行过程，并且 MLflow 可以使用本地文件系统存储执行过程。MLflow 命令行工具的用户负责维护执行过程的存储。Databrick 提供了一个与 target="_blank">试验跟踪服务器，从而使用户不必自己管理跟踪。此外，每次记录试验的一次运行时，Databrick 都会存储一个版本的笔记本。最后，Databricks 提供了一个用户界面来研究 MLflow 试验和执行过程，类似于独立 UI，可以通过 MLflow 命令行工具访问。
MLflow 提供了一种结构化的配置驱动的方式，可以将可重复执行的代码视为项目。MLflow 通过包含适当的配置文件将 Git 存储库转换为项目，并支持以下环境：Conda、Docker 或系统环境。Databricks 增加了在>
MLflow 将模型存储为试验中运行的构件。Databrick 试验允许为存储大型模型的试验指定外部存储。可以使用 MLflow API 从 target="_blank">将模型部署到AWS Sagemaker和Microsoft Azure ML等外部服务上。
Databricks 首席技术专家 Matei Zaharia宣布了 MLflow 1.0 版本中的两个新特性：多步工作流和模型注册表。声明中展示了这些特性，其中有一个用户界面，可以用于可视化多步工作流，然后注册生成的模型。模型注册之后，可以通过一个新的用户界面部署和跟踪模型。
查看英文原文 ：Databricks MLflow Integration Now Generally Available
