没有工件记录 MLFlow答案

【问题标题】：No Artifacts Recorded MLFlow没有工件记录 MLFlow
【发布时间】：2020-07-03 17:19:37
【问题描述】：

我无法在 MLFlow 中存储、查看和检索工件。无论是否创建新实验并分配正确的实验名称和位置，工件文件夹都是空的。

服务器：mlflow 服务器 --backend-store-uri mlruns/ --default-artifact-root mlruns/ --host 0.0.0.0 --port 5000

创建实验：mlflow.create_experiment(exp_name, artifact_location='mlruns/')

with mlflow.start_run():
    mlflow.log_metric("mse", float(binary))
    mlflow.log_artifact(data_path, "data")
    # log model
    mlflow.keras.log_model(model, "models")

代码编译并运行，但没有记录任何工件。它有 mlflow.log-model.history 文件，但没有 model.h5

【问题讨论】：

标签： python-3.x machine-learning keras mlflow

【解决方案1】：

我在开始使用 MLflow 时遇到了同样的问题。

所以概念是tracking uri 和artifact uri 有两个不同的东西。

tracking uri 存储日志，artifact uri 存储工件（如 yaml、pkl 等）

但如果你想要一个通用的 uri，你可以使用 SQLite 作为本地数据库，然后你的命令将是这样的......

mlflow 服务器 --backend-store-uri sqlite:///mlruns.db --host 0.0.0.0 --port 5000

Note: 如果您使用的是远程服务器，那么您的工件存储也应该是远程存储，它不适用于本地数据库

别忘了明确设置跟踪 uri，有两种方法：

在您的代码中mlflow.set_tracking_uri("sqlite:///mlruns.db")
使用环境变量export MLFLOW_TRACKING_URI=sqlite:///mlruns.db

【讨论】：

【解决方案2】：

Artifact Store 需要服务器和客户端都可以访问。如果您的客户端是从远程计算机连接的，并且您没有配置像 S3 这样的远程 Artifact Store，则他们的工件文件将保存在本地。你可以查看本地存储

这里有一个关于目前支持的不同 Artifact Storage 的说明：https://mlflow.org/docs/latest/tracking.html#artifact-stores

【讨论】：

【解决方案3】：

我遇到了同样的问题（mlflow.pytorch）。对我来说，它是通过替换 log_model() 和 log_atrifacts() 来解决的。

所以记录工件的是：

mlflow.log_metric("metric name", [metric value])
mlflow.pytorch.log_model(model, "model")
mlflow.log_artifacts(output_dir)

此外，对于终端中的ui，cd 到mlruns 所在的目录。比如mlruns的位置是...\your-project\mlruns：

cd ...\your-project

进入安装mlflow的环境。

...\your-project> conda activate [myenv]

然后，运行mlflow ui

(myenv) ...\your-project> mlflow ui

我也在this post 中回答了这个问题：

【讨论】：