最可控的日志方式是手动调用mlflow.start_run()配合log_param()/log_metric()，需指定实验、显式管理run生命周期、避免autolog在多模型/自定义训练等场景失效，并注意指标覆盖规则与artifact可复现性。
直接上结论：用 mlflow.start_run() + 手动 log_param()/log_metric() 是最可控、最不易翻车的方式；自动日志（如 mlflow.sklearn.autolog()）只适合快速验证，一到多模型/自定义训练循环/非标准参数就容易漏记或报错。
手动记录 run 的完整生命周期：从 start_run 到 end_run
这是所有场景下最稳的基线做法。MLflow 不强制你调用 start_run()，但跳过它会导致每次日志都生成新 run，无法归组、无法复现上下文。
- 必须先用
mlflow.set_experiment("my-exp")指定实验名，否则默认进Default实验，后期难清理 -
mlflow.start_run()返回一个Run对象，建议显式保存（如run = mlflow.start_run()），方便后续run.info.run_id调试 - 务必配对调用
mlflow.end_run()—— 尤其在 Jupyter 中反复运行单元格时，不结束上一个 run 会导致指标被写进错误的 run ID 下 - 如果训练中途异常退出，
end_run()不会自动触发，可用try/finally或with mlflow.start_run():上下文管理器兜底
示例：
import mlflow
mlflow.set_experiment("iris-logistic-regression")
with mlflow.start_run():
mlflow.log_param("solver", "lbfgs")
mlflow.log_param("max_iter", 1000)
mlflow.log_metric("accuracy", 0.96)
mlflow.log_artifact("model.pkl")
autolog() 的适用边界与三个典型失效场景
mlflow.sklearn.autolog() 看似省事，但它的“自动”是基于 sklearn 官方 API 约定的——一旦你偏离这个约定，日志就断了。
立即学习“Python免费学习笔记（深入）”；
安全 Python 代码沙箱：在隔离的沙箱中执行任意 Python 代码，预装 requests、NumPy、pandas 库。返回 stdout、stderr。
- 传参方式不对：用
LogisticRegression(**params)时若params含multi_class，旧版 sklearn 会静默忽略，但 MLflow autolog 可能因反射失败而跳过参数记录，最终报'MLflow Demo' does not exist这类误导性错误 - 训练逻辑封装过深：比如把
.fit()包在自定义train_model()函数里，autolog 无法穿透函数调用栈，参数和指标全丢 - 混用框架：在一个脚本里既跑 sklearn 又跑 PyTorch，
mlflow.sklearn.autolog()对后者完全无效，且不会警告
对策：只在纯 sklearn 单模型、直调 .fit()/.score() 的 notebook 快速验证时开 autolog；其他一律切回手动 log。
指标记录的两个关键细节：异步 vs 同步、单次 vs 多次
mlflow.log_metric() 默认是同步写入，但如果你在训练循环里每轮都记 loss，高频调用会拖慢训练速度——这不是 bug，是设计使然。
- 需要实时看 loss 曲线？用
mlflow.log_metric("loss", value, step=epoch)，step参数让 UI 能正确绘制横轴 - 想减少 IO 开销？自己缓存 epoch-level 指标，每个 epoch 结束后统一
log_metric一次，别每 batch 都打点 - 注意：
log_metric同名多次调用 = 覆盖写，不是追加；要保留历史值必须带不同step或改用log_metrics({})批量提交 - 异步记录需 MLflow ≥2.8.0，且仅限部分后端（如 SQLAlchemy），本地文件后端不支持
artifact 存储路径与跨环境可复现性陷阱
你本地 log_artifact("model.pkl") 成功，不代表别人能加载——因为 artifact URI 默认是相对路径，依赖当前工作目录。
- 绝对路径写死？不行，破坏可移植性
- 正确做法：用
mlflow.pytorch.log_model()或mlflow.sklearn.log_model()，它们会把模型序列化+元数据打包成标准MLmodel格式，并自动处理路径绑定 - 如果必须 log 原始文件（如预处理后的
train.csv），先确认mlflow.get_artifact_uri()输出是否指向共享存储（如 S3、DagsHub、Azure Blob），否则别人 pull 不到 - 本地开发时，建议启动 MLflow UI 时显式指定
--default-artifact-root ./mlartifacts，避免 artifact 散落在各处
最后提醒一句：实验可复现的核心不在“有没有 log”，而在“log 的内容能否反向驱动一次完整重跑”。参数、代码快照（log_code）、数据版本（DVC hash）、环境依赖（conda.yaml）这四样缺一不可——而 MLflow 只管前两样，后两者得靠你主动集成。
