我面临以下情况：

我们在一个由docker-compose文件构建的Docker容器中训练模型。我已经实现了MLflow与docker-compose的结合（通过类似于这篇文章的方法：https://towardsdatascience.com/deploy-mlflow-with-docker-compose-8059f16b6039），创建了两个额外的容器（一个用于服务器，一个用于postgresql后端）。

然而，故事并未到此结束。我们的目标是实现一个完整的机器学习流程，包括数据创建、预处理步骤等。我知道，ML项目可以帮助创建这样的流程。我看到它被设计为与Docker镜像一起工作（https://www.mlflow.org/docs/latest/projects.html），但我不明白如何将其与docker-compose一起使用。

您能否通过提供任何提示、指南、文档等来帮助我？

或者总的来说，关于如何使用mlflow实现完整的机器学习流程，有什么建议吗？

非常感谢！

回答：

我建议在conda环境中训练模型，并仅在部署时使用Docker。这样，您就可以从像Pycharm这样的IDE中调试模型代码。

所以，

conda create -n env_nameconda run -n env_name pip install requirements.txt

这是我做的方法，尽管可能比你需要的更复杂：https://github.com/bdzyubak/torch-control/blob/main/run_setup_all.py

MLflow天然支持模型训练，你只需导入并调用autolog。

mlflow.autolog()mlflow.set_experiment('Energy Use Forecasting')with mlflow.start_run():     [your training code]

https://github.com/bdzyubak/torch-control/blob/main/projects/MachineLearning/energy_use_time_series_forecasting/time_series_forecasting_energy_use.py

然后，您可以使用一个命令从mlflow中拉取注册的模型来构建它。

https://mlflow.org/docs/latest/cli.html

mlflow models build-docker --model-uri "runs:/some-run-uuid/my-model" --name "my-image-name"# 服务模型docker run -p 5001:8080 "my-image-name"