文 | SisyphusBJ

源 | Pytorch Lightning

---

wandb.ai

comet.ml

neptune.ai

allegro trains

mlflow

guild.ai

sacred

test-tube

tensorboard

相信很多同學看到上面這個列表的第一印象是懵的。我們先看下機器學習實驗管理平臺?到底是做神馬滴：

• 一句話概括就是：，以下來自 comet.ml 對自己的說明：?allowing data scientists and teams to track, compare, explain, and optimize experiments and models.

接下來我們逐個盤點下當前市面上做機器學習實驗管理平臺的玩家。

先看兩個用的比較多但功能相對單薄的兩個工具：

一個是Tensorboard，包括用于 Pytorch 的 TensorboardX(https://github.com/lanpa/tensorboardX) ，Tensorboard 本身被設計成插件化的方式，好處是輕量、輕耦合，可以按需要很快的自定義一個新的 tab，這種方式的缺點是缺少一個用戶整體的視圖，用戶很難在宏觀視角上對整個訓練流程有一個比較清楚的認識。

• 出的比較早，格式通用

• 雖然是跟 Tnesorflow 出的，但并不僅限于 Tensorflow

• 實驗全流程記錄

• 報表和跟其他系統的兼容性比較好，因為出的早?...

2. 另一個是來自 Pytorch Lightning 的 test-tube, 后者可以算是 PL(Pytorch Lightning) 自己的一個 logger 優化工具，也放在這里一并比較了吧，有興趣的同學可以去：PL(Pytorch Lightning: https://github.com/PyTorchLightning/pytorch-lightning) 查看細節。接下來看下主要的 SAAS 玩家，當然，基本上每家都同時提供 self-host 方式可選擇，畢竟 SAAS 號稱主要是賣服務的。

首先當然是?comet.ml,主要的功能如下 :

• 假設你手頭同時有十幾個、幾十上百個實驗要做，那么 comet 或者其他這些工具會必不可少

• 團隊協作，把幾個可能的方向分給其他同學，實驗過程、結果分享

• comet 兼容目前主流的 tensorflow、pytorch、keras、chainer 等等框架

• comet 支持你針對同一個實驗里的不同超參數進行比較，找出關鍵點

• comet 支持保存實驗所用數據、上下文信息、代碼等等

• 各種類型的數據可視化

• 懶，不想自己部署實驗管理工具。當然這里你可以找下 IT 組的同學，看他們能否幫你搭建一套開源的類 comet 的系統。

2. 接下來是 neptune.ai, 這個就很有趣了，但從名字上看，comet 是彗星，neptune 是海王星，從 neptune 的官方 blog 上看起來也大有針對 comet 的意思... 停止八卦，下面看主要功能簡介：

• 首先 neptune.ai 的定位是一個“實驗管理和協作工具”（Neptune is an experiment management and collaboration tool）。

• 當然，也是 frame-agnostic 的。

• neptune 支持實驗數據、模型、代碼等相關數據的存儲、獲取、共享操作

• neptune 在團隊協作上據說更有效率一些

• neptune 支持通過 notebook、python script 等方式觸發的訓練過程記錄，當然，默認其實也就只記錄一下你的主要損失函數 loss 值和 epoch 這種，真要做到細致能指導自己實驗思路的，還是得花心思在配置代碼上面。

• 最后，neptune 的 client 端 code 跟 wandb/comet 比寫的是最簡練的（個人喜好）。

3. 然后是 wandb.ai，wandb 就是 Weights & Biases， 謎底就在謎面上名字起的有點意思，功能也不錯：

• Reports 功能很有特點，基本上就是把你的實驗整理成一個 blog 文檔，你做的什么實驗、怎么做的、選的那些參數為什么這么選，都可以有個記錄，形成文檔之后可以把相關的實驗附上去，請團隊的人或者其他感興趣的人一起來探討，隱隱有點社區的意思，贊！

• 其他功能中規中矩，基本上 cover 了上面提到的幾個基本功能

• 用戶和團隊管理，數據和實驗過程分享

• UI 挺簡潔，跟其他產品的兼容性也不錯，畢竟是半開源，因為他的 server 端提供的也是 docker 鏡像。

4. 最后是?guild.ai

• 終端的 client 程序做的挺用心

• 文檔寫的比較簡潔

• 其它基本跟上面三個一樣，to run, track, and compare experiments.

• 通用性更好一些據說，對模型實現語言、framework 中立

• 方便重現效果

• 對其他系統兼容性佳

以上是幾個主要的 SAAS 玩家，下面說一下開源的幾個選手:

allegro trains?，其實產品名字叫 Trains 是 allegro.ai 出的，是這幾個產品中唯一一個客戶端、服務端都開源的產品，基于 Apache 2.0 協議開源，限制比較小，企業部署的話可以考慮一下

• 服務端也開源，有興趣自己折騰的企業可以優先考慮內網部署一下

• web 端風格比較貼近前端主流風

• 功能跟其他 saas 基本沒什么大的出入

• 這家的思路基本是反 saas，嗯，這點也挺有意思

2.?sacred

• 單機版，沒有團隊分享功能

• 但好處是兼容了幾個其他的 frontend，比如 neptune 就可以用作接受 sacred 發過來的數據。其他還有 Omniboard

3. mlflow, ?Databrick 出品，沒錯就是 Spark 家那個，功能上跟其他項目比也沒有他多的出入：

• 實驗跟蹤和記錄

• 項目管理

• 模型管理

以上這兩個從產品上基本上都囊括在上面介紹的幾個里面了，這里就不再深入展開，如有需要請自行去 github 上查看。

后臺回復關鍵詞【入群】

加入賣萌屋NLP/IR/Rec與求職討論群

有頂會審稿人、大廠研究員、知乎大V和妹紙

等你來撩哦~

總結

以上是生活随笔為你收集整理的还在用Tensorboard？机器学习实验管理平台大盘点的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。