模型 （Model)
管理使用 MLflow 打包的机器学习模型，在打包的过程中需要指定数据库。关于使用 MLflow 注册及管理模型请参阅 注册及管理模型。
在网页可以通过以下操作查看数据库下的模型:
- 选择导航栏 数据 » 数据库, 查看当前数据库的列表。
- 选择数据库, 进入数据库详情页。
- 选择 模型 部分，实现数据库下的模型列表。
也可以通过"模型"功能区查看所有的模型:
- 选择导航栏 模型 » AI模型, 查看所有的模型。
MLflow 是一个开源的机器学习生命周期管理平台，使用 MLflow 打包的机器学习模型具有以下特点和优势，这些特性使得模型的管理、部署和复用变得更加便捷和高效：
统一的格式与结构：MLflow 打包的模型遵循特定的目录结构，通常包含模型文件（如 Python 中 scikit-learn 模型的.pkl 文件）、用于模型加载和推理的代码（如 Python 模型的加载脚本）以及描述模型依赖项的文件（如 conda 环境配置文件）。这种统一的结构使得模型在不同环境中能够被一致地识别和加载，提高了模型的可移植性。
依赖管理：在打包模型时，MLflow 会记录模型的所有依赖项，包括 Python 库及其版本号。这确保了模型在不同环境中运行时，所依赖的软件包版本一致，避免了因依赖冲突导致的模型运行错误。通过记录的依赖信息，其他开发者可以轻松地复现模型的运行环境。
模型版本管理：MLflow 提供了强大的模型版本管理功能。每次保存模型时，MLflow 会为其分配一个版本号。用户可以方便地查看、比较和回滚不同版本的模型。这对于模型的迭代开发非常重要，能够帮助开发者追踪模型的性能变化，选择最优的模型版本用于生产环境。
实验与记录：在模型训练过程中，MLflow 可以记录实验的各种参数、指标和 artifacts（如模型文件）。这些记录与打包的模型相关联，方便开发者回顾模型的训练过程，分析模型性能与训练参数之间的关系，为进一步优化模型提供依据。
部署便捷：使用 MLflow 打包的模型可以方便地部署到多种环境中，如本地服务器、云平台等。MLflow 提供了多种部署工具和接口，简化了模型部署的流程，使得模型能够快速投入生产使用。