在今年的Spark+AI峰会上，MLflow团队推出了MLflow，一个开源的用于简化机器学习生命周期的平台。从首次发布到现在的三周时间里，已经有很多数据科学家和工程师对使用MLflow和为MLflow贡献代码感兴趣。MLFlow的GitHub仓库已经有180个分支，其中有十几个贡献者提交了问题和拉取请求。此外，上周参加由该团队举办的第一次MLflow聚会的人数接近100人。

昨天，该团队正式宣布推出MLflow 0.2版本，这一版本包含了由内部客户和开源用户提出的一些最被期待的功能。按照MLflow快速入门指南给出的提示，可以使用pip install mlflow来安装MLflow 0.2。以下内容将介绍该版本的主要新功能。

内置TensorFlow集成

MLflow让开发者可以基于任意机器学习库进行模型训练，只要可以将它们包装在Python函数中，但对于常用的库，MLflow团队希望能够提供内置的支持。该版本增加了mlflow.tensorflow包，借助这个包，开发者可以轻松地将TensorFlow模型记录到MLflow跟踪服务器中。在记录模型之后，可以立即将其传给受MLflow支持的各种部署工具（例如本地REST服务器、Azure ML服务或Apache Spark）。

以下示例显示了用户如何记录经过训练的TF模型，并使用内置功能和pyfunc抽象进行部署。

训练环境：保存训练过的的TF模型

\# 将estimator保存成SavedModel格式。\estimator_path = your_regressor.export_savedmodel(model_dir, \receiver_fn)\ \# 记录导出的SavedModel。\# signature_def_key: 签名的名称，在加载SavedModel时使用\#                    参考: \(https://www.tensorflow.org/serving/signature_defs).\# artifact_path: 保存构件的位置\mlflow.tensorflow.log_saved_model(saved_model_dir=estimator_path,\                                  signature_def_key=\"predict\