MLflow实验需显式设置名称以确保归属清晰，参数和指标记录有严格类型限制，模型保存须匹配flavor约束，本地开发应统一tracking URI并手动补全Git、数据等上下文标签。
mlflow.start_run() 是核心入口，但直接调用它不等于实验就可复现、可协作、可长期维护——关键在上下文组织和日志策略。
怎么设置实验并确保每次运行归属正确
不显式设置实验时，MLflow 默认写入 mlruns 目录下的 0 号实验，所有运行混在一起，后期根本无法区分是哪个项目、哪轮调参。必须提前用 mlflow.set_experiment() 指定名称：
- 实验名建议带业务前缀，比如
"fraud-detection-v2"，避免纯数字或模糊词如"test" - 如果实验已存在，
set_experiment()会自动复用其 ID；不存在则新建——无需先查再建 - 在 Databricks 或 Azure ML 中，实验名会映射为工作区内的实体，命名需符合平台规范（如不能含空格、斜杠）
mlflow.log_param() 和 mlflow.log_metric() 的实操边界
参数必须是字符串键 + 字符串/数字值；指标必须是字符串键 + 数字值。常见翻车点：
-
log_param("max_depth", 10)✅；log_param("model", my_rf_obj)❌（对象不能直接记录，要序列化后存为 artifact） -
log_metric("loss", 0.42)✅；log_metric("batch_losses", [0.5, 0.45, 0.43])❌（不支持 list，得用log_metric("loss", v, step=i)循环打点） - 指标支持 step 参数，用于画训练曲线；但 step 必须是递增整数，重复或乱序会导致 UI 显示异常
模型保存别只用 log_model()，得选对 flavor 和路径
mlflow.sklearn.log_model()、mlflow.pytorch.log_model() 这类 flavor 方法不是“一键打包”，它们隐含框架约束：
- scikit-learn 模型要求
predict()接口兼容，且依赖项版本必须与加载环境一致（推荐用conda_env参数锁定） - PyTorch 模型默认只保存
state_dict，不保存完整类定义；若模型含自定义forward逻辑，必须传code_paths或确保加载时能 import 同名模块 - 路径名（第二个参数）不能含斜杠层级，如
"models/v1/best"会报错；应写作"best_model"，实际存储位置由 artifact store 决定
本地开发时如何避免 mlruns 目录失控
默认 mlflow.start_run() 写进当前目录的 mlruns，多人协作或多次迭代后，这个文件夹极易膨胀、混乱：
立即学习“Python免费学习笔记（深入）”；
- 启动前设环境变量：
export MLFLOW_TRACKING_URI="file:/path/to/shared/mlflow"，统一指向一个干净目录 - 禁用自动创建：加
if not os.path.exists("mlruns"):判断，防止脚本误触发生成 - 定期清理：配额限制从 2024 年起生效，每个实验最多 10000 次运行；本地调试时建议每轮结束后用
mlflow.delete_run(run_id)主动删掉无效 run
start_run() 都携带足够上下文：Git commit、数据版本哈希、硬件信息——这些不靠 API 自动填，得手动 set_tag() 补全。否则三个月后你打开 UI，看到一堆 accuracy: 0.87，却不知道它跑在什么数据、什么代码、什么 GPU 上。 
