Автоматическое журналирование одной строкой кода

Быстро надоедает вызывать log_param и log_metric для каждого значения. MLflow автоматически собирает большую часть данных с помощью autolog.

Добавьте один вызов перед обучением, и autolog подключится к Вашей библиотеке, самостоятельно записывая параметры, метрики и модель.

При включённой автоматической записи sklearn вызов fit сохраняет Ваши гиперпараметры, оценки обучения и обученный оценщик без дополнительного кода.

Для глубокого обучения autolog работает через PyTorch Lightning, сохраняя метрики эпох и контрольные точки по мере выполнения цикла обучения.

Autolog может автоматически запускать выполнение, когда вызывается fit. Для простых скриптов даже не нужен отдельный блок start_run.

По умолчанию autolog записывает гиперпараметры, метрики оценки, обученную модель и часто сигнатуру, описывающую входные и выходные данные.

Autolog и ручная запись могут работать вместе. Позвольте ему собрать основные данные, а затем добавьте собственный log_metric для пользовательской оценки, о которой он не знает.

Autolog принимает параметры. Такие флаги, как log_models, позволяют не сохранять объёмные артефакты или отключать предупреждения, чтобы выполнения оставались быстрыми и компактными.

Тот же принцип работает с XGBoost, LightGBM, Keras и другими библиотеками. Каждая интеграция умеет извлекать нужные параметры и метрики за вас.

Autolog удобен, но не всесилен. Он не видит ничего, что является специфичным для вашего проекта, поэтому записывайте предметные метрики и важные артефакты самостоятельно.

Начинайте каждый проект с включённым autolog. Вы бесплатно получаете подробное отслеживание, а ручную запись добавляете только там, где она действительно полезна.

Вы включили autolog, увидели, как он бесплатно записывает параметры, метрики и модели, и научились добавлять ручную запись там, где его возможностей недостаточно. ✅