如何在MLRun中记录附带指标与图表的模型日志？

用MLRun的实验追踪功能记录模型时，可绑定的内容覆盖整个训练流程的核心产出，你要记录accuracy、F1这类指标还有loss趋势图的需求完全可以满足，具体支持关联的内容分为以下几类：

• 标量评估指标：accuracy、F1值、精确率、召回率、AUC、最终训练/验证loss这类单值评估结果都能直接绑定到对应模型版本上，后续跨实验对比版本效果的时候，直接就能拉取数值排序、比对，不用自己翻零散日志找结果。
• 过程趋势类可视化内容：loss随step/epoch变化的曲线、准确率迭代趋势、学习率衰减曲线这类过程类图表都支持关联。你可以直接逐轮上报原始的时序数值，MLRun会自动生成对应的趋势折线图；也可以直接上传Matplotlib、Plotly绘制好的成品图，统一存在模型关联的存储路径下，不用自己本地单独存图管版本。
• 训练溯源元数据：训练用到的所有超参数（学习率、batch size、训练轮次、网络结构配置）、训练集的版本标识、运行环境依赖（Python包版本、CUDA版本）、训练起止时间这些溯源信息都能绑定，后续需要复现模型效果的时候直接拉取全量配置就行，不用翻历史记录拼凑参数。
• 附属产出文件：训练过程生成的混淆矩阵、特征重要性排序图、自定义评估报告、推理样例、模型说明文档这类任意格式的文件，都能作为附属件和模型绑定存储。
• 自定义标签与别名：可以给模型打自定义标签，比如best-f1、baseline-v1、prod-candidate，后续检索模型、做版本流转的时候直接按标签筛选就行，不用挨个翻实验记录。

你提到的两个明确需求实现逻辑很简单：

1. 记录accuracy、F1这类评估指标，在训练脚本里算出指标值后，调用log_model接口时直接把指标键值对塞到metrics参数里即可，示例代码：

context.log_model(
    key="cls_model_v2",
    model_file="trained_model.pth",
    metrics={
        "accuracy": 0.93,
        "f1_score": 0.90,
        "val_final_loss": 0.19
    }
)

2. 记录loss变化趋势可以选两种方式：要么每轮训练结束后上报对应step的loss值，MLRun会自动生成随训练进程变化的趋势图；要么把你自己绘制好的loss曲线作为artifact上传，关联到对应模型上。逐轮上报自动生成曲线的示例代码：

for epoch in range(total_epochs):
    train_loss = run_train_step(...)
    # 传入step参数，平台会自动生成迭代趋势曲线
    context.log_result("train_loss", train_loss, step=epoch)
    val_loss = run_val_step(...)
    context.log_result("val_loss", val_loss, step=epoch)

内容的提问来源于stack exchange，提问作者Nick Schenone