Databricks释出MLflow0.8.0，改善实验用UI、可以Docker容器部署模型到Azure上

由Apache Spark技术团队所创立的Databricks，积极更新其在6月释出的开源机器学习平台MLflow，现在释出0.8.0版本，这次更新重点在于改进使用者界面，并且现在还能透过Docker容器，直接将模型部署到Azure机器学习服务中。使用者已经可以在PyPI上取得最新的MLflow 0.8.0。

MLflow 0.8.0主要改善了MLflow的使用者界面，以增进追踪和分类实验的使用者体验，改善的工作主要有四个部分，分别是紧凑的指标和参数显示、巢状执行（Nesting Runs）、标记执行（Labeling Runs）、以及记忆使用者界面设定。

为了避免度量指标和参数显示过于凌乱，或是超出字段可以显示空间，现在系统会预设将这些数字组合在单一表格列中，如此每一次执行实验的参数和指标都会显示在附近，使用者可以透过单击每个参数和指标，将其显示在单独的字段中，或是按排序以客制化的方式显示。

在MLflow 0.8.0中，使用者界面开始提供巢状执行。对于一般用于搜寻超参数或是多步骤工作流程的巢状MLflow执行，使用者界面现在将在每个父执行下方显示可折叠树，而这将使得组织以及视觉化多步骤流程更加容易。

另外， MLflow还开始提供标记执行，虽然MLflow预设为每次实验提供一个UUID，但使用者现在也可以用API，为每次执行分配一个名称，也可以直接在使用者界面中编辑这些名称。MLflow使用者界面现在还会记住本机浏览器储存的过滤器、排序和字段配置，使用者不再需要每次重新设定视图。

MLflow也重新修改了Azure机器学习部署工具，使用者现在可以利用更新的Azure ML SDK，来部署打包成Docker容器的MLflow模型。使用mlflow.azureml模组，使用者可以将python_function模型打包到Azure ML容器映像档中，并将这个映像档部署到Azure Kubernetes服务（AKS）和Azure容器执行个体（ACI）平台上，以提供即时服务。