MLflow 将自动为 project 设置正确的环境并运行。另外，如果你在 project 中使用 Tracking API，MLflow 将会记住执行的 project 版本和参数。你能够轻松再运行相同的代码。
project 格式使得分享可重用的代码变得更加简单。配合 MLflow Tracking，MLflow Project 可以为你提供在复现、扩展和实验中极其好用的工具。
MLflow Model
MLflow Model 是一种约定，它将机器学习模型打包成多种格式（称为 flavor）。MLflow 提供多种工具来帮助你部署不同 flavor。每个 MLflow Model 作为一个目录保存，包含 arbitrary 文件和一个 MLmodel descriptor 文件（该文件中列出了它适用的 flavor）。
在上面这个例子中，该模型可与支持 sklearn 和 python_function 模型 flavor 的工具一起使用。
MLflow 提供将常见模型部署到不同..上的工具。例如，任何支持 python_function flavor 的模型都能部署到基于 Docker 的 REST 服务器或 Azure ML、AWS SageMaker 等云..上。
开始使用 MLflow
按照 mlflow.org的使用说明，或前往GitHub查看已经发布的代码。期待大家的反馈。
下一步
MLflow 才刚刚起步，所以还有不少工作要做。除了 project 的更新，我们还计划介绍重要的全新组件（如 Monitoring）、库集成和我们已经发布的扩展功能（如对更多环境的支持等）。大家可关注我们的博客以获取更多信息。
via Databricks，雷锋网 AI 研习社编译。
