在Netcup服务器上搭建MLflow实验跟踪平台指南
2025-07-08 22:58:32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")
安全建议
- 启用HTTPS:使用Let's Encrypt获取免费SSL证书
- IP限制:配置防火墙只允许特定IP访问
- 定期备份:设置PostgreSQL数据库的定期备份
- 监控:设置服务监控确保MLflow持续运行
总结
通过本教程,您已经成功搭建了一个具有基础认证功能的MLflow实验跟踪平台。这个平台可以帮助您和团队:
- 系统记录机器学习实验参数和结果
- 比较不同模型的表现
- 保存和共享训练好的模型
- 提高实验的复现性
MLflow还提供更多高级功能如模型注册、部署等,您可以在官方文档中探索这些功能来进一步完善您的机器学习工作流。
登录后查看全文
热门项目推荐
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00- DDeepSeek-OCRDeepSeek-OCR是一款以大语言模型为核心的开源工具,从LLM视角出发,探索视觉文本压缩的极限。Python00
openPangu-Ultra-MoE-718B-V1.1昇腾原生的开源盘古 Ultra-MoE-718B-V1.1 语言模型Python00
HunyuanWorld-Mirror混元3D世界重建模型,支持多模态先验注入和多任务统一输出Python00
AI内容魔方AI内容专区,汇集全球AI开源项目,集结模块、可组合的内容,致力于分享、交流。03
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile014
Spark-Chemistry-X1-13B科大讯飞星火化学-X1-13B (iFLYTEK Spark Chemistry-X1-13B) 是一款专为化学领域优化的大语言模型。它由星火-X1 (Spark-X1) 基础模型微调而来,在化学知识问答、分子性质预测、化学名称转换和科学推理方面展现出强大的能力,同时保持了强大的通用语言理解与生成能力。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
项目优选
收起
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
257
2.51 K
deepin linux kernel
C
24
6
Ascend Extension for PyTorch
Python
94
121
暂无简介
Dart
552
123
React Native鸿蒙化仓库
JavaScript
218
301
🎉 (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
1.02 K
600
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++
595
131
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
1.02 K
410
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
357
1.77 K
openGauss kernel ~ openGauss is an open source relational database management system
C++
153
204