MLflow未写入Databricks指定共享实验，默认写入本地mlruns目录

核心问题排查 #

• 代码参数误用：你调用get_experiment_by_name时传入了'experiment_id'，但该方法是按实验名称查询，而你已经持有experiment_id，应该用client.get_experiment(experiment_id)直接获取实验对象。
• 跟踪URI未关联工作区：如果代码运行环境未绑定Databricks工作区的MLflow服务，MLflow会默认以本地模式写入mlruns文件夹。
• 实验权限未开放：需确保共享实验已为所有用户配置写入权限。

修正后的代码示例 #

import mlflow
from mlflow.tracking import MlflowClient

# Databricks环境下会自动关联工作区跟踪URI，外部环境需显式设置：
# mlflow.set_tracking_uri("databricks")

client = MlflowClient()

# 替换为你的真实实验ID
experiment_id = "xxx"
experiment = client.get_experiment(experiment_id)

# 验证实验信息
print("名称: {}".format(experiment.name))
print("实验ID: {}".format(experiment.experiment_id))
print("存储位置: {}".format(experiment.artifact_location))
print("生命周期状态: {}".format(experiment.lifecycle_stage))

# 启动运行并写入日志，with语句会自动结束运行
with mlflow.start_run(experiment_id=experiment.experiment_id):
    mlflow.log_param('test', 1)
    mlflow.log_param('test2', 2)
    mlflow.log_param('test3', 3)

额外配置说明 #

• 权限配置：在Databricks工作区找到该共享实验，进入详情页点击「权限」，添加所有用户（或对应用户组）并授予「可编辑」权限，确保用户能写入日志。
• 外部环境适配：如果在非Databricks环境运行代码，需先完成Databricks CLI认证，再设置跟踪URI为databricks，确保连接到工作区MLflow服务。

内容的提问来源于stack exchange，提问作者Samarth D M