如何用MLflow保存记录PyTorch模型？代码路径报错相关疑问
2026-7-20
MLflow PyTorch模型保存：code_paths配置问题解答
疑问1：是否需要设置code_paths和extra_files参数？
- 如果你的PyTorch模型依赖
models目录下的自定义模块（比如模型结构定义、训练工具函数等），加载模型时必须依赖这些代码才能正常实例化或运行，必须设置code_paths。MLflow默认只会保存模型权重和基础配置，不会自动打包依赖的自定义代码，不设置的话加载时会因找不到模块报错。 extra_files仅用于打包非代码类额外文件（如配置文件、预处理字典等），没有这类需求的话完全不需要设置。
疑问2：正确配置code_paths目录的方式？
先修正代码里的语法错误：log_model方法中code_paths="./models"后面多了一个]，这会直接触发语法报错，需先删除这个多余符号。
路径配置的正确方式：
- 路径要以当前运行的
main.py（根目录）为基准，./models是正确的相对路径，前提是根目录下确实存在models目录。 code_paths支持单个路径字符串，或多个路径组成的列表。比如要同时打包models和utils目录，可写成code_paths=["./models", "./utils"]。- 如果是目录，MLflow会递归打包目录下所有文件；如果是单个特定文件，直接写文件路径即可（如
code_paths="./models/model_def.py"）。 - 确保运行
main.py的进程有访问models目录的权限，否则会出现目录未找到的错误。
参考文档（翻译自MLflow官方文档）
code_paths：字符串或字符串列表，可选参数
指定需要与模型一同保存的额外代码文件或目录路径。这些文件会被打包到模型工件中，当模型被加载时，会被添加到Python的sys.path路径中，确保模型依赖的自定义代码能够被正确导入和使用。
内容的提问来源于stack exchange，提问作者Rishav Raj
相关产品推荐
相关产品推荐
