MLflow如何将运行记录从一个实验迁移或复制到另一个实验?
MLflow单条运行记录跨实验迁移方案
可行性说明
MLflow 1.10.0及以上版本原生支持运行记录在不同实验之间迁移,操作不会丢失运行关联的指标、参数、标签、artifacts等全量数据。
操作前提
- MLflow服务端和本地Python SDK版本均≥1.10.0
- 你拥有源运行所属实验、目标实验的读写权限
- 迁移前建议提前备份核心运行数据,避免误操作导致数据丢失
Python API实现步骤
1. 初始化MLflow客户端
import mlflow from mlflow.tracking import MlflowClient # 替换为你的MLflow跟踪服务地址,本地存储可填文件路径 mlflow.set_tracking_uri("http://your-mlflow-server:5000") client = MlflowClient()
2. 获取目标实验ID和源运行ID
你可以直接从MLflow UI的地址栏获取对应ID,也可以通过API查询:
# 查询目标实验ID,替换为你的目标实验名称 target_exp = client.get_experiment_by_name("your_target_experiment_name") target_exp_id = target_exp.experiment_id # 替换为你要迁移的源运行ID source_run_id = "your_source_run_id"
3. 执行迁移操作
# 调用原生迁移接口 client.move_run(run_id=source_run_id, dest_experiment_id=target_exp_id)
验证与注意事项
- 迁移完成后可通过以下代码校验结果:
moved_run = client.get_run(source_run_id) print(f"迁移后所属实验ID:{moved_run.info.experiment_id}") assert moved_run.info.experiment_id == target_exp_id, "迁移未成功"
- 迁移操作会直接移除源实验下的对应运行记录,如果你需要在源实验保留副本,可以先读取源运行的全量数据,在目标实验下新建运行写入相同内容,再按需决定是否删除源运行。
- 关联了外部存储的artifacts也会同步迁移,大体积artifacts迁移耗时会相对较长,操作期间不要中断进程。
内容的提问来源于stack exchange,提问作者Kıvanç Yüksel
相关产品推荐
相关产品推荐

