在Netcup服务器上搭建MLflow实验跟踪平台指南

2025-07-08 11:25:01作者：柏廷章Berta

前言

在机器学习和数据科学项目中，实验跟踪是至关重要的环节。MLflow作为一个开源的机器学习生命周期管理平台，能够有效帮助团队记录实验参数、代码版本、评估指标和输出文件。本文将详细介绍如何在Netcup服务器上搭建一个带有基础认证功能的MLflow服务。

系统要求

操作系统：Ubuntu 22.04 LTS
服务器配置：建议至少VPS 200 G10s规格
用户权限：拥有sudo权限的用户
网络：开放HTTP/HTTPS端口

环境准备

1. 系统更新与基础软件安装

首先更新系统并安装必要的依赖包：

sudo apt-get update -y && sudo apt-get upgrade -y
sudo apt-get install -y python3 python3-pip python3.10-venv postgresql nginx gcc

这些软件包包括：

Python 3及虚拟环境支持
PostgreSQL数据库
Nginx作为反向代理
GCC编译器

2. 数据库配置

为MLflow创建专用数据库和用户：

sudo -u postgres psql

在PostgreSQL交互界面中执行：

CREATE DATABASE mlflow;
CREATE USER mlflow WITH ENCRYPTED PASSWORD 'your_secure_password';
GRANT ALL PRIVILEGES ON DATABASE mlflow TO mlflow;

请务必将your_secure_password替换为强密码。

MLflow安装与配置

1. 创建虚拟环境

python3 -m venv mlflow_venv
source mlflow_venv/bin/activate

2. 安装MLflow及相关包

pip install mlflow psycopg2-binary

psycopg2-binary是PostgreSQL的Python适配器。

3. 创建数据目录

mkdir -p ~/mlflow/mlruns  # 模型存储目录
mkdir -p ~/mlflow/mllogs  # 日志目录

服务部署

1. 测试运行

首次运行MLflow服务进行测试：

mlflow server \
  --backend-store-uri postgresql://mlflow:your_secure_password@localhost/mlflow \
  --artifacts-destination ~/mlflow/mlruns \
  --serve-artifacts \
  -h 0.0.0.0 \
  -p 8000

访问服务器IP:8000应能看到MLflow界面。

2. 配置系统服务

创建/etc/systemd/system/mlflow.service文件：

[Unit]
Description=MLflow Server
After=network.target

[Service]
Restart=on-failure
RestartSec=30
StandardOutput=file:/home/user/mlflow/mllogs/stdout.log
StandardError=file:/home/user/mlflow/mllogs/stderr.log
User=root
ExecStart=/bin/bash -c 'PATH=/home/user/mlflow_venv/bin:$PATH exec mlflow server --backend-store-uri postgresql://mlflow:your_secure_password@localhost/mlflow --artifacts-destination ~/mlflow/mlruns --serve-artifacts -h 127.0.0.1 -p 8000'

[Install]
WantedBy=multi-user.target

启用并启动服务：

sudo systemctl daemon-reload
sudo systemctl enable mlflow
sudo systemctl start mlflow

Nginx反向代理与认证

1. 安装认证工具

sudo apt-get install -y apache2-utils

2. 创建认证用户

sudo htpasswd -c /etc/apache2/.htpasswd your_username

3. 配置Nginx

修改/etc/nginx/sites-enabled/default：

location / {
    proxy_pass http://localhost:8000;
    auth_basic "MLflow Access";
    auth_basic_user_file /etc/apache2/.htpasswd;
}

重启Nginx：

sudo systemctl restart nginx

使用MLflow跟踪实验

1. 本地环境准备

python3 -m venv mlflow_client
source mlflow_client/bin/activate
pip install mlflow scikit-learn

2. 示例实验代码

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
import mlflow

# 设置MLflow跟踪URI
mlflow.set_tracking_uri('http://username:password@your_server_ip')

# 加载数据
data = load_iris()
X, y = data['data'], data['target']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建/获取实验
exp_name = '随机森林树数量实验'
experiment = mlflow.get_experiment_by_name(exp_name)
if experiment is None:
    experiment_id = mlflow.create_experiment(exp_name)
else:
    experiment_id = experiment.experiment_id

# 运行实验
for n_est in range(1, 21):
    with mlflow.start_run(experiment_id=experiment_id):
        # 训练模型
        rf = RandomForestClassifier(n_estimators=n_est)
        rf.fit(X_train, y_train)
        
        # 评估模型
        accuracy = rf.score(X_test, y_test)
        
        # 记录参数和指标
        mlflow.log_param('n_estimators', n_est)
        mlflow.log_metric('accuracy', accuracy)
        
        # 保存模型
        mlflow.sklearn.log_model(rf, "random_forest_model")