Databricks释出机器学习平台MLflow0.7.0，整合R释出追踪API

今年六月Databricks推出的开源机器学习平台MLflow，现在释出0.7.0版本，这个版本主打由RStudio提供的新MLflow R客户端API，让R语言的资料科学家也能使用MLflow，开发机器学习应用，而R语言是暨Python和Java之后，MLflow支援的第三种语言。另外，新版本还增加了实验注释小功能以及两个范例供使用者参考。

由Apache Spark技术团队所创立的Databricks，在六月时释出开源机器学习平台MLflow预览版，MLflow不只是开放源代码，同时还使用开放界面，以支援现有的机器学习函式库、算法和工具，帮助管理机器学习开发和生产生命周期相关的工作流程。在4个月后，Databricks在欧洲Spark + AI大会上，宣布了MLflow 0.7.0版的最新消息。

在MLflow 0.7.0中，RStudio贡献了R客户端追踪API，这功能类似Python和Java客户端追踪API，还与RStudio程式开发环境完全整合，提供CRUD界面以存取MLflow实验和执行状态。R客户端追踪API可在本机端追踪实验，或是也连接到MLflow服务器和其他人分享实验结果，并且输出可以在本机或远端共享的模型。

官方提到，R语言客户端追踪API跟Python和Java版本，在使用上没有太大差异。MLflow R客户端允许开发者在程式执行阶段，纪录参数、程式码版本、指标和输出档案，然后以MLflow UI视觉化这些结果。

除了R语言的整合外，MLflow 0.7.0加入了由社群成员贡献，虽然很小但却很有用的功能，现在使用者可以在每次的执行中，在MLflow UI加入注释，纪录实验的重点。

此外，Databricks也加入了两个范例供使用者参考，分别是多重步骤工作流程和工作管线（Multistep Workflows and Pipelines）和超参数调校（Hyperparameter Tuning）。官方提到，在产生机器学习模型的生命周期中，模型训练和部署之前通常都还要经过多个步骤，无论是从来源收集资料，或是执行ETL将资料转换成高效能格式，接着才能在后续使用干净的资料，对模型进行训练、追踪和实验。多重步骤工作流程和工作管线则示范了在MLflow框架中，这些程序串接的方法。

而超参数调校则会向使用者展示，使用MLflow最佳化深度学习函式库Keras，并与热门函式库诸如HyperOpt或GPyOpt进行高效能的协作。这个范例中使用了红酒品质资料集，示范最佳化Keras深度学习模型的RMSE指标。

MLflow 0.7.0现在可以在Pypi上取得，而R语言客户端则可以从CRAN下载。