這篇目的在於可以在本地端架設 MLflow tracking server，下一篇會介紹 MLflow 的基本操作。

首先，我們先來看看 MLflow 的幾個基本元件：

Reference: https://mlflow.org/docs/latest/what-is-mlflow.html#mlflow-components

• MLflow Tracking: 用來記錄參數、程式碼版本、指標、模型環境相依性、模型 Artifact 的 API。MLflow Tracking 有一個 UI 用來檢視和比較執行和其結果。

• MLflow Models: 將模型封裝，讓你可以輕鬆部署訓練好的模型 (來自任何機器學習函式庫) 到 Docker、Apache Spark、Databricks、Azure ML 和 AWS SageMaker 等平臺進行批次或即時推論。

• MLflow Model Registry: 一個集中的模型存儲庫、一組 API 和 UI，專注於 MLflow 模型的審批、品質保證和部署。

• MLflow Projects: 一個標準格式，用於打包可重複使用的程式碼，可以使用不同的參數來訓練模型、視覺化資料或執行任何其他有關資料科學的 Job 。

• MLflow Recipes: 預先定義的模板，用於開發各種常見 Job 的模型，包括分類和回歸。

在本地如何跑 MLflow Tracking Server，這邊介紹使用 Container 方式。

# Pull MLflow Docker image

# 一般來說，使用標準的 MLflow Docker image 即可
# docker pull ghcr.io/mlflow/mlflow:v2.7.1

# 但是如果你是使用 OrbStack 的 MLflow Docker image，而且跑的是 Linux amd64，則需要使用下面這個指令
# Ref: https://github.com/mlflow/mlflow/pkgs/container/mlflow

docker pull ghcr.io/mlflow/mlflow:v2.7.1@sha256:4aefc70122ecda2ac50b50f87ba752d88cf62c915e5ecb42455ca8f5b23768f0
ghcr.io/mlflow/mlflow@sha256:4aefc70122ecda2ac50b50f87ba752d88cf62c915e5ecb42455

docker tag ghcr.io/mlflow/mlflow:v2.7.1@sha256:4aefc70122ecda2ac50b50f87ba752d88cf62c915e5ecb42455ca8f5b23768f0 ghcr.io/mlflow/mlflow:v2.7.1

# Run MLflow Tracking Server
docker run --rm -p 5000:5000 --name mlflow-server ghcr.io/mlflow/mlflow:v2.7.1 mlflow server -h mlflow-server.orb.local

然後瀏覽器開啟 mlflow-server.orb.local