帮你快速理解、总结文档立即下载
文档中心>大数据智能体工作台 DataBuddy>数据科学>模型实验>记录训练指标

记录训练指标

最近更新时间：2026-09-11 20:42:31
我的收藏

本页目录：

在 DataBuddy 数据科学模块中，训练指标的记录基于 MLflow 协议。您在 Notebook 中调用 MLflow API 记录的参数、指标、工件，会自动汇聚到对应实验的运行中，供后续查看与对比。
本文介绍如何在 Notebook 中通过 MLflow API 记录这三类信息，并在实验详情页查看记录结果。

前提条件

在开始记录前，请确保：
已创建目标实验（参见 创建实验），并获取实验 ID 或实验名称。
当前账号在该实验上拥有编辑或管理权限。
已在 Notebook 中安装 MLflow 客户端（DataBuddy 默认环境已预置 MLflow，无需额外安装）。
MLflow 协议中可记录的三类信息为：参数（Parameter）、指标（Metric）、工件（Artifact）。各类型的含义与典型示例请参见 什么是模型实验 > 关键概念。

记录方式选择

DataBuddy 支持两种记录方式，可按场景灵活选择：
方式
适用场景
自动记录
使用 sklearn / xgboost / lightgbm / pytorch / tensorflow 等主流框架，无需手写 log_*，框架训练时自动捕获参数、指标与模型
手动记录
自定义训练流程；需要记录非框架默认捕获的指标，完全控制记录时机与内容

自动记录

在 mlflow.start_run() 之前调用 mlflow.autolog()，框架训练时会自动捕获参数、指标、模型与训练数据集：
import mlflow
from sklearn.datasets import load_diabetes
from sklearn.ensemble import RandomForestRegressor
from sklearn.model_selection import train_test_split

mlflow.set_experiment(experiment_id="3")
mlflow.autolog()  # 自动记录

with mlflow.start_run():
    db = load_diabetes()
    X_train, X_test, y_train, y_test = train_test_split(db.data, db.target)
    rf = RandomForestRegressor(n_estimators=100, max_depth=6)
    rf.fit(X_train, y_train)
    # 参数（n_estimators、max_depth）、训练指标、模型工件均自动记录
提示
Autologging 是注册模型的推荐方式之一：自动记录的模型默认携带签名（Signature），可直接用于 Catalog 注册。模型签名是注册模型的强制前置条件。

手动记录

1.手动记录参数

在 with mlflow.start_run() 上下文中调用 mlflow.log_param：
import mlflow

with mlflow.start_run(run_name="manual_run"):
    # 单个参数
    mlflow.log_param("learning_rate", 0.01)
    mlflow.log_param("batch_size", 64)
    mlflow.log_param("optimizer", "Adam")

    # 批量记录
    mlflow.log_params({
        "n_estimators": 100,
        "max_depth": 6,
        "max_features": 3,
    })
取值约束 ：
key 为字符串，最大长度由 MLflow 协议规定。
value 类型可以是字符串、整数或浮点数。
同一 Run 内同名参数 只能记录一次 ，重复记录会报错。

2.手动记录指标

在 with mlflow.start_run() 上下文中调用 mlflow.log_metric，可指定 step 用于绘制曲线：
import mlflow

with mlflow.start_run(run_name="manual_run"):
    # 单个指标
    mlflow.log_metric("accuracy", 0.92)
    mlflow.log_metric("auc", 0.88)

    # 训练过程中按 epoch 记录损失
    for epoch in range(100):
        loss = train_one_epoch(...)
        mlflow.log_metric("loss", loss, step=epoch)

    # 批量记录
    mlflow.log_metrics({
        "precision": 0.91,
        "recall": 0.89,
        "f1": 0.90,
    })
提示
指标值类型必须是数字（整数或浮点数）。
同一 key 可多次记录，按 step 串成时间序列，在实验详情图表视图中展示为折线图。
系统指标如 CPU 使用率、内存占用、网络流量、磁盘 IO 等由 DataBuddy 自动采集，无需手工记录。

3.手动记录工件（Artifact）

工件包括序列化的模型、日志、配置、图片等任意文件。记录方式分为两类：
1. 记录通用工件文件
import mlflow

with mlflow.start_run():
    # 记录单个文件
    mlflow.log_artifact("output/eval_report.html")

    # 记录到子目录
    mlflow.log_artifact("config/params.yaml", artifact_path="configs")

    # 记录整个目录
    mlflow.log_artifacts("output/figures", artifact_path="figures")
1. 记录模型工件
不同 ML 框架使用对应的 log_model 方法。常用示例：
# scikit-learn
mlflow.sklearn.log_model(
    sk_model=model,
    name="sklearn-model",
    input_example=X_train,  # 提供输入样例，自动生成签名
)

# PyTorch
mlflow.pytorch.log_model(model, "model")

# 自定义 Python 模型
mlflow.pyfunc.log_model(artifact_path="model", python_model=my_model)
注意
注册到 Catalog 的模型必须携带签名（Signature）。建议在 log_model 时传入 input_example= 让 MLflow 自动推断签名；或在调用前显式构造 mlflow.models.signature.ModelSignature。无签名的模型在后续注册时将被拒绝。
1. 在记录时直接注册模型
通过 registered_model_name= 参数可在 log_model 时同步注册到 Catalog（同一模型名首次注册为 V1，再次注册版本号自动 +1）：
mlflow.sklearn.log_model(
    sk_model=model,
    name="sklearn-model",
    input_example=X_train,
    registered_model_name="my_catalog.my_schema.churn_model",
)
模型注册的详细规则参见 模型版本管理。

完整示例

下面是一个端到端的示例，演示在一次训练中同时记录参数、指标、模型并完成注册：

import mlflow
import mlflow.sklearn
from sklearn.datasets import make_regression
from sklearn.ensemble import RandomForestRegressor
from sklearn.metrics import mean_squared_error
from sklearn.model_selection import train_test_split

mlflow.set_experiment("regression_demo")

with mlflow.start_run() as run:
    X, y = make_regression(n_features=4, n_informative=2, random_state=0, shuffle=False)
    X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

    params = {"max_depth": 2, "random_state": 42}
    model = RandomForestRegressor(**params)
    model.fit(X_train, y_train)

    # 记录参数
    mlflow.log_params(params)

    # 记录指标
    y_pred = model.predict(X_test)
    mlflow.log_metrics({"mse": mean_squared_error(y_test, y_pred)})

    # 记录并注册模型（同步注册到 Catalog）
    mlflow.sklearn.log_model(
        sk_model=model,
        name="sklearn-model",
        input_example=X_train,
        registered_model_name="catalog_name.schema_name.model_name",
    )

父子 Run 与超参搜索

在父 Run 上下文中嵌套子 Run，常用于超参数搜索场景：
import mlflow

with mlflow.start_run(run_name="Parent Run") as parent:
    mlflow.log_param("model_type", "RandomForest")
    for n in [50, 100, 200]:
        with mlflow.start_run(run_name=f"n_estimators={n}", nested=True):
            mlflow.log_param("n_estimators", n)
            # ... 训练并记录 metric ...
实验详情中的运行任务列表会以嵌套方式展示父 Run 与其下的子 Run，便于分层查看。

实验详情

1. 如何查看实验详情

记录完成后，进入实验详情查看：
1.1 进入数据科学 > 模型实验 ，点击目标实验名称进入详情。
1.2 默认在 运行任务 中以列表展示所有 Run。
1.3 点击运行任务名称进入 Run 详情，包含 4 个 Tab 如下：
Tab
内容
概览信息
关于此运行任务的基本信息。支持点击跳转数据集、模型、代码文件界面。支持编辑标签，搜索参数配置、指标
模型指标
展示通过 log_metric 记录的指标的可视化图表（柱状图、折线图等）
系统指标
CPU 使用率、内存、网络、磁盘等系统级监控图表
模型文件
当前 Run 的所有工件文件，支持浏览、复制、下载

2. 添加自定义标签

在 概览信息 页面，您可以为该运行任务添加自定义键值对标签，用于分类与检索。
操作方式：在添加标签 区域输入键值对，每输入一组后点击保存按钮，系统会自动新增一行；点击行末删除按钮可移除该行。

3. 验证结果

记录完成后，您可以通过以下方式确认记录结果：
概览信息 中可看到所有记录的参数、指标、自定义标签。
模型指标 与 系统指标 中可看到对应的图表。
模型文件 中可看到记录的工件文件树状结构。
如果同步注册了模型，可在 模型管理 列表中找到对应的注册模型。

常见问题

调用 mlflow.log_param 时报错 Parameter already logged 怎么办？

同一 Run 内同名参数只能记录一次。请检查代码是否在循环中重复记录同一参数；如果确实需要按时间步记录变化的值，请改用 mlflow.log_metric(key, value, step=...)。

指标曲线为什么只显示一个点？

mlflow.log_metric(key, value) 不传 step 时默认按记录顺序累加。如果只调用了一次，曲线只有一个点。在训练循环中按 epoch 调用 log_metric(key, value, step=epoch) 即可绘制完整曲线。

模型注册时提示模型没有签名怎么办？

注册模型要求模型必须携带签名。请：
1. 在 log_model 调用时传入 input_example= 让 MLflow 自动推断签名；或
2. 显式构造 mlflow.models.signature.ModelSignature 并通过 signature= 参数传入；或
3. 启用 mlflow.autolog() 由框架自动记录带签名的模型。
若模型没有签名，则模型不会被记录，模型文件 区不会显示已记录的模型文件。

手动启动的 Run 一直停留在运行中状态怎么办？

如果代码异常退出且未正确关闭 Run，可能导致 Run 状态滞留。建议始终使用 with mlflow.start_run() as run: 上下文管理器，异常退出时也会自动调用 mlflow.end_run() 关闭 Run。

相关文档

什么是模型实验
创建实验
对比实验结果
Notebook
中国站