首页
/ MLRun v1.8.0-rc36版本发布:模型监控与功能增强

MLRun v1.8.0-rc36版本发布:模型监控与功能增强

2025-07-01 06:06:04作者:魏献源Searcher

MLRun是一个开源的机器学习运维(MLOps)平台,它简化了机器学习工作流程的构建、部署和管理过程。作为数据科学家和机器学习工程师的强大工具,MLRun提供了从数据准备到模型部署的全生命周期管理能力。

核心功能更新

本次发布的v1.8.0-rc36版本带来了多项重要改进,主要集中在模型监控和功能增强方面。

模型监控功能优化

在模型监控方面,开发团队做出了两项关键改进。首先,默认禁用了直方图应用中的Plotly图表输出,这一变化减少了不必要的资源消耗,提高了系统效率。其次,现在可以通过add_model方法直接添加输出参数,这为模型监控的配置提供了更大的灵活性。

数据流处理改进

对于使用V3IO流的数据处理场景,修复了控制器在处理提交偏移量(committed offset)时的问题。这一修复确保了数据流处理的准确性和可靠性,特别是在长时间运行的监控任务中。

功能增强与API优化

项目与工件管理

项目加载机制得到了改进,现在在从Git重新加载项目前需要先关闭当前项目,这一变更避免了潜在的资源冲突问题。在工件(Artifact)管理方面,确保了list_artifacts方法在设置limit参数时的正常工作,并且改进了结果的排序机制,使得工件列表更加有序和可预测。

废弃功能清理

本次版本继续推进API的清理工作,移除了多个已废弃的API接口,包括特征存储(Feature Store)中的一些过时功能。同时修复了last参数移除后可能引发的问题,保持了向后兼容性。

测试与稳定性提升

在测试方面,改进了多线程会话测试(test_sessions_are_different_per_thread_100),提高了测试的可靠性和准确性。对于Nuclio集成,现在在API调用中强制要求提供项目名称,增强了系统的健壮性。

总结

MLRun v1.8.0-rc36版本在模型监控、数据处理和系统稳定性方面做出了重要改进。这些变更不仅提升了平台的性能和可靠性,也为用户提供了更加流畅的开发体验。随着废弃功能的逐步清理和新功能的持续引入,MLRun正朝着更加成熟和稳定的方向发展。

登录后查看全文
热门项目推荐
相关项目推荐

热门内容推荐

最新内容推荐

项目优选

收起
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
152
1.96 K
kernelkernel
deepin linux kernel
C
22
6
ops-mathops-math
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
431
34
communitycommunity
本项目是CANN开源社区的核心管理仓库,包含社区的治理章程、治理组织、通用操作指引及流程规范等基础信息
251
9
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
145
190
openHiTLSopenHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
989
394
nop-entropynop-entropy
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
193
274
RuoYi-Vue3RuoYi-Vue3
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
936
554
金融AI编程实战金融AI编程实战
为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Python
75
69