mlflow.set_tag()与mlflow.log_params()的适用场景区别

二者虽然都支持键值对写入，但设计定位完全不同，核心区分逻辑如下：

mlflow.set_tag() / mlflow.set_tags() #

用于存储Run的元数据标记，核心作用是做Run的分类、筛选、溯源，这类信息不直接决定模型训练效果，主要服务于实验管理流程。

• 适用场景：
  • 溯源类信息：数据集版本、代码Commit ID、运行环境（本地/集群/容器）、依赖版本、运行人信息
  • 状态类标记：实验阶段（调试/正式实验/上线候选）、异常终止原因、上线审批状态
  • 关联类标注：绑定的业务需求ID、关联的数据集ID、对应业务线标识
• 特性：同一个Key可以重复写入覆盖，适合后续补充更新元信息；MLflow UI默认支持将常用Tag作为列表筛选项，方便批量过滤Run。

mlflow.log_params() / mlflow.log_param() #

用于存储训练的静态输入配置，核心作用是完整记录实验的所有可配置项，保证实验可复现，这类信息是直接影响模型训练效果的超参与配置，Run启动后理论上不应修改。

• 适用场景：
  • 模型配置：模型结构类型、隐藏层维度、Dropout比例、激活函数选型
  • 训练配置：优化器类型、初始学习率、Batch Size、训练Epoch数、学习率衰减策略、损失函数选型
  • 数据处理配置：数据增强策略、训练集采样比例、文本最大序列长度、分词器类型
• 特性：同一个Key在单次Run中不允许重复写入，重复调用会直接报错，从机制上保证实验配置不被篡改，满足复现要求。

注意：你当前用法里有一处偏差：loss、accuracy属于训练过程中动态变化的评估指标，不属于参数范畴，应该使用mlflow.log_metric()记录，该API支持按训练步（step）存迭代过程中的数值变化，会在UI自动生成指标趋势图。

快速判断准则 #

用来回答「这个Run是谁跑的/用的哪份资源/当前什么状态」的信息，用set_tag()
用来回答「这个Run是怎么配出来的/复现需要固定哪些配置」的信息，用log_params()
用来回答「这个Run效果怎么样/训练过程中指标怎么变的」的数值，用log_metric()

内容的提问来源于stack exchange，提问作者Manas