MLFlowLogger

class torchtune.training.metric_logging.MLFlowLogger(experiment_name: Optional[str] = None, tracking_uri: Optional[str] = None, run_id: Optional[str] = None, run_name: Optional[str] = None)

与 MLFlow (https://mlflow.org/) 一起使用的日志记录器。

参数：

• experiment_name (Optional[str]) – MLFlow 实验名称。如果未指定，则在设置了 MLFLOW_EXPERIMENT_NAME 环境变量时默认为该值，否则使用默认值。

• tracking_uri (Optional[str]) – MLFlow 跟踪 URI。如果未指定，则在设置了 MLFLOW_TRACKING_URI 环境变量时默认为该值，否则使用默认值。

• run_id (Optional[str]) – MLFlow 运行名称。如果未指定，则默认为 mlflow 生成的 HRID。如果指定了 run_id 或找到了 MLFLOW_RUN_ID 环境变量，则此参数不使用。

• run_name (Optional[str]) – MLFlow 运行 ID。如果未指定，则在设置了 MLFLOW_RUN_ID 环境变量时默认为该值，否则将创建一个新的运行。

示例

>>> logger = MLFlowLogger(experiment_name="my_experiment", run_name="run1")
>>> logger.log("accuracy", 0.95, step=1)
>>> logger.log_dict({"loss": 0.1, "accuracy": 0.95}, step=1)
>>> logger.log_config(config)
>>> logger.close()

引发：

ImportError – 如果未安装 mlflow 包。

注意

此日志记录器需要安装 mlflow 包。您可以使用 pip install mlflow 进行安装。

close() → None

结束 MLflow 运行。调用 close 后，不应再执行任何日志记录。

log(name: str, data: Union[Tensor, ndarray, int, float], step: int) → None

记录标量数据。

参数：

• name (str) – 用于对标量进行分组的标签名称

• data (Scalar) – 要记录的标量数据

• step (int) – 要记录的步数值

log_config(config: DictConfig) → None

将配置保存在本地，并同时记录到 mlflow。配置文件存储在与检查点相同的目录中。

参数：

config (DictConfig) – 要记录的配置

log_dict(payload: Mapping[str, Union[Tensor, ndarray, int, float]], step: int) → None

记录多个标量值。

参数：

• payload (Mapping[str, Scalar]) – 标签名称和标量值的字典

• step (int) – 要记录的步数值