Databricks最近正式发布了 MLflow 与 Databrick 笔记本集成，面向其数据工程和高级订阅。该集成将 MLflow 的特性与 Databrick 笔记本和作业的特性结合起来。最初，在 2018 年 6 月，Databricks 将 MLflow 作为一个开源项目编写，并且一直可以作为单独的命令行工具使用。

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 Databricks 在线服务。当与 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 Databrick 笔记本集成的试验跟踪服务器，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 Databrick 集群上将项目作为作业运行的能力。用户需要首先在他们的 Databricks 帐户中创建一个试验，然后用户可以从 MLflow 命令行针对 Databrick 作业和试验运行一个项目。

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 Databrick 笔记本或作业中恢复特定执行过程中的模型。然后，用户可以在笔记本中使用恢复的模型，使用 Apache Spark UDF 进行预测，或者将模型部署到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