本繁體中文版使用機器翻譯，譯文僅供參考，若與英文版本牴觸，應以英文版本為準。

使用NetApp和 MLflow 實現資料集到模型的可追溯性

08/18/2025 貢獻者

這 "適用於 Kubernetes 的NetApp DataOps 工具包"可以與 MLflow 的實驗追蹤功能結合使用，以實現資料集到模型或工作區到模型的可追溯性。

要實現資料集到模型或工作區到模型的可追溯性，只需在訓練運行過程中使用 DataOps Toolkit 建立資料集或工作區磁碟區的快照，如下列範例程式碼片段所示。此程式碼將資料卷名稱和快照名稱儲存為與您記錄到 MLflow 實驗追蹤伺服器的特定訓練運行相關的標籤。

...
from netapp_dataops.k8s import create_volume_snapshot

with mlflow.start_run() :
    ...

    namespace = "my_namespace" # Kubernetes namespace in which dataset volume PVC resides
    dataset_volume_name = "project1" # Name of PVC corresponding to dataset volume
    snapshot_name = "run1" # Name to assign to your new snapshot

    # Create snapshot
    create_volume_snapshot(
        namespace=namespace,
        pvc_name=dataset_volume_name,
        snapshot_name=snapshot_name,
        printOutput=True
    )

    # Log data volume name and snapshot name as "tags"
    # associated with this training run in mlflow.
    mlflow.set_tag("data_volume_name", dataset_volume_name)
    mlflow.set_tag("snapshot_name", snapshot_name)

    ...

使用NetApp和 MLflow 實現資料集到模型的可追溯性

Creating your file...