如何通过MLFlow API设置默认图表，避免UI重复配置？

当然可以实现，不用每次在UI里重复操作。核心思路是标准化训练代码中的日志逻辑，结合MLFlow的API批量处理Run数据，达成默认图表对比的效果，具体方法如下：

1. 统一日志所有需要的指标和图表 #

在你的训练代码中，固定好每次都要对比的指标、图表的日志逻辑，让每个Run自动带上这些数据，不用手动在UI添加。

比如，训练完成后，统一执行以下操作：

• 用mlflow.log_metrics()记录关键指标（如验证集准确率、损失值）
• 用mlflow.log_figure()生成并日志所需图表（如ROC曲线、混淆矩阵、训练/验证损失曲线）

示例代码片段：

import mlflow
import matplotlib.pyplot as plt
from sklearn.metrics import roc_curve, auc

# 训练逻辑...

# 日志指标
mlflow.log_metrics({
    "val_accuracy": val_acc,
    "val_loss": val_loss,
    "train_loss": train_loss
})

# 生成并日志ROC曲线
fpr, tpr, _ = roc_curve(val_y, model.predict_proba(val_x)[:,1])
roc_auc = auc(fpr, tpr)
plt.figure()
plt.plot(fpr, tpr, label=f'ROC curve (area = {roc_auc:.2f})')
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.title('Receiver Operating Characteristic')
plt.legend(loc="lower right")
mlflow.log_figure(plt.gcf(), "roc_curve.png")
plt.close()

2. 批量生成对比图表 #

完成标准化日志后，有两种方式快速获取默认对比视图：

方式一：用MLFlow UI的对比功能 #

进入新建的Experiment页面，选中所有需要对比的Run，点击顶部的「Compare」按钮。MLFlow会自动展示你日志的所有指标的折线对比图，以及所有日志的图片类图表（每张图表会按Run分别展示，方便对比）。

方式二：用MLFlow API编写自定义对比脚本 #

如果需要更定制化的对比图表（比如把所有Run的损失曲线画在同一张图里），可以用mlflow.search_runs()获取当前Experiment的所有Run数据，然后自己生成对比图，甚至可以把生成的图再日志到MLFlow中。

示例脚本：

import mlflow
import pandas as pd
import matplotlib.pyplot as plt

# 指定要处理的Experiment ID或名称
experiment_name = "你的验证集Experiment"
experiment = mlflow.get_experiment_by_name(experiment_name)
runs = mlflow.search_runs(experiment_ids=[experiment.experiment_id])

# 提取所有Run的训练损失数据（假设是按step日志的序列值）
plt.figure(figsize=(10,6))
for _, run in runs.iterrows():
    plt.plot(run['metrics.train_loss'], label=f"Run {run.run_id[:8]}")

plt.xlabel("Training Step")
plt.ylabel("Loss")
plt.title("Training Loss Comparison Across Runs")
plt.legend()
mlflow.log_figure(plt.gcf(), "training_loss_comparison.png")
plt.close()

3. 进阶：封装通用日志模板 #

把上述日志逻辑封装成一个可复用的函数，每次新建Experiment启动训练时直接调用，确保所有Run的日志规范完全一致：

def log_default_artifacts(model, val_y, val_x, metrics):
    # 日志指标
    mlflow.log_metrics(metrics)
    # 生成并日志ROC曲线
    fpr, tpr, _ = roc_curve(val_y, model.predict_proba(val_x)[:,1])
    roc_auc = auc(fpr, tpr)
    plt.figure()
    plt.plot(fpr, tpr, label=f'ROC curve (area = {roc_auc:.2f})')
    plt.xlabel('False Positive Rate')
    plt.ylabel('True Positive Rate')
    plt.title('Receiver Operating Characteristic')
    plt.legend(loc="lower right")
    mlflow.log_figure(plt.gcf(), "roc_curve.png")
    plt.close()
    # 可添加更多默认图表的生成与日志逻辑...

# 训练时调用
log_default_artifacts(trained_model, val_y, val_x, {"val_acc": val_acc, "val_loss": val_loss})

这样每次新建Experiment后，所有Run都会自动包含你需要的图表和指标，无论是用UI对比还是自定义脚本，都不用再手动重复操作。

内容的提问来源于stack exchange，提问作者George Pearse