本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。
# 训练期间的日志指标、参数和 MLflow 模型
连接到 MLflow 跟踪服务器后，您可以使用 MLflow SDK 记录指标、参数和 MLflow 模型。
## 记录训练指标
在 MLflow 训练运行中使用 `mlflow.log_metric` 跟踪指标。有关使用 MLflow 记录指标的更多信息，请参阅 `[mlflow.log\_metric](https://mlflow.org/docs/2.13.2/python_api/mlflow.html#mlflow.log_metric)`。
```
with mlflow.start_run():
mlflow.log_metric({{"foo"}}, {{1}})
print(mlflow.search_runs())
```
该脚本应创建一个实验运行，并打印出类似下面的输出结果：
```
run_id experiment_id status artifact_uri ... tags.mlflow.source.name tags.mlflow.user tags.mlflow.source.type tags.mlflow.runName
0 607eb5c558c148dea176d8929bd44869 0 FINISHED s3://dddd/0/607eb5c558c148dea176d8929bd44869/a... ... file.py user-id LOCAL experiment-code-name
```
在 MLflow 用户界面中，该示例应类似于下面的内容：
选择**运行名称**，查看更多运行详情。
## 对数参数和模型
**注意**
以下示例要求环境具有 `s3:PutObject` 权限。此权限应与 mlFlow SDK 用户登录账户或联合账户时所扮演的 IAM 角色相关联。 AWS 更多信息，请参阅[用户和角色策略示例](https://docs.aws.amazon.com/AmazonS3/latest/userguide/example-policies-s3.html)。
下面的示例将带您了解使用 SKLearn 进行基本模型训练的工作流程，并向您展示如何在 MLflow 实验运行中跟踪该模型。此示例记录了参数、指标和模型构件。
```
import mlflow
from mlflow.models import infer_signature
import pandas as pd
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score
# This is the ARN of the MLflow Tracking Server you created
mlflow.set_tracking_uri({{your-tracking-server-arn}})
mlflow.set_experiment({{"some-experiment"}})
# Load the Iris dataset
X, y = datasets.load_iris(return_X_y=True)
# Split the data into training and test sets
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# Define the model hyperparameters
params = {"solver": "lbfgs", "max_iter": 1000, "multi_class": "auto", "random_state": 8888}
# Train the model
lr = LogisticRegression(**params)
lr.fit(X_train, y_train)
# Predict on the test set
y_pred = lr.predict(X_test)
# Calculate accuracy as a target loss metric
accuracy = accuracy_score(y_test, y_pred)
# Start an MLflow run and log parameters, metrics, and model artifacts
with mlflow.start_run():
# Log the hyperparameters
mlflow.log_params({{params}})
# Log the loss metric
mlflow.log_metric({{"accuracy"}}, {{accuracy}})
# Set a tag that we can use to remind ourselves what this run was for
mlflow.set_tag({{"Training Info"}}, {{"Basic LR model for iris data"}})
# Infer the model signature
signature = infer_signature(X_train, lr.predict(X_train))
# Log the model
model_info = mlflow.sklearn.log_model(
sk_model={{lr}},
name={{"iris_model"}}, # Changed from artifact_path to name for MLflow 3.0
signature={{signature}},
input_example={{X_train}},
registered_model_name={{"tracking-quickstart"}},
)
```
在 MLflow 用户界面中，选择左侧导航窗格中的实验名称，即可查看所有相关运行。选择**运行名称**，查看每个运行的更多信息。在此示例中，该运行的实验运行页面应类似于以下内容。
本例记录逻辑回归模型。在 MLflow 用户界面中，您还应该看到记录的模型构件。
