跨工作空間與平台管理 MLflow 模型

生產機器學習不僅需要訓練一個好的模型。你需要可靠的工作流程，將模型從開發、驗證到生產環境。 Microsoft Fabric 中的跨工作空間日誌支援兩種關鍵情境：

建立端對端的MLOps工作流程。在開發工作區訓練與實驗，在測試工作區驗證，並使用標準 MLflow API 部署到生產服務工作區。這種環境分離有助於團隊執行品質門檻，並維持從實驗到生產的清晰稽核軌跡。
將現有的機器學習資產整合進Fabric。如果你已經在 Azure Databricks、Azure Machine Learning、本地環境或其他支援 MLflow 的平台訓練模型，你可以直接將這些實驗和模型記錄到 Fabric 工作區。你可以輕鬆將機器學習成果集中於一處，無需重建訓練流程。

跨工作空間日誌透過 synapseml-mlflow 套件運作，該套件提供相容Fabric的 MLflow 追蹤外掛。你要用目標工作區進行認證，設定追蹤 URI，並使用標準的 MLflow 指令。

備註

跨工作空間日誌著重於 以程式碼為先的體驗。跨工作空間情境的 UI 整合將在未來版本中提出。

先決條件

Microsoft Fabric訂閱或免費Microsoft Fabric試用。
在目標 Fabric 工作區寫入權限。
一套針對來源與目標工作空間都升級的機器學習追蹤系統。

對於 Fabric 筆記本的情境，先建立一個新的筆記本，並在執行任何程式碼前附加一個湖屋。

小提示

在啟用出站存取保護的工作區中，支援跨工作空間日誌。跨工作空間紀錄到不同工作區需要管理的私人端點。在同一工作區內或外部 Fabric 日誌，無需額外設定即可運作。

安裝 MLflow 外掛

synapseml-mlflow 套件透過提供 Fabric MLflow 追蹤外掛，實現跨工作空間的日誌記錄。根據你的環境選擇安裝指令。

備註

該 synapseml-mlflow 套件現已支援 MLflow 3。你不再需要將 mlflow-skinny 釘選至 2.22.2 版。如需了解 Fabric 中 MLflow 3 功能的概觀，請參閱 MLflow 3 in Fabric Data Science。

Fabric筆記本
Fabric 工作區外

對於 Fabric 筆記本，請使用此命令來安裝包含線上筆記本相依性的套件：

%pip install -U "synapseml-mlflow[online-notebook]"

在 Fabric 以外的任何環境，例如本地機器（Visual Studio Code、Jupyter）、Azure Databricks、Azure Machine Learning，或任何支援 Python 和 MLflow 的平台，請使用以下指令：

pip install -U "synapseml-mlflow"

安裝後，先重新啟動核心，再執行剩餘程式碼。

將 MLflow 物件記錄到另一個 Fabric 工作區

在這種情況下，你會在一個 Fabric 工作區（來源）執行筆記本，並將實驗和模型記錄到另一個 Fabric 工作區（目標）。

設定目標工作區

透過設定 MLFLOW_TRACKING_URI 環境變數指向你的目標工作區：

import os

target_workspace_id = "<your-target-workspace-id>"
target_uri = f"sds://api.fabric.microsoft.com/v1/workspaces/{target_workspace_id}/mlflow"
os.environ["MLFLOW_TRACKING_URI"] = target_uri

記錄實驗與模型

建立一個實驗，然後記錄執行過程，記錄相關的參數、指標和模型：

import mlflow
import mlflow.sklearn
import numpy as np
from sklearn.linear_model import LogisticRegression
from mlflow.models.signature import infer_signature

# Create or set the experiment in the target workspace
EXP_NAME = "my-cross-workspace-experiment"
MODEL_NAME = "my-cross-workspace-model"
mlflow.set_experiment(EXP_NAME)

with mlflow.start_run() as run:
    lr = LogisticRegression()
    X = np.array([-2, -1, 0, 1, 2, 1]).reshape(-1, 1)
    y = np.array([0, 0, 1, 1, 1, 0])
    lr.fit(X, y)

    score = lr.score(X, y)
    signature = infer_signature(X, y)

    mlflow.log_params({
        "objective": "classification",
        "learning_rate": 0.05,
    })
    mlflow.log_metric("score", score)

    mlflow.sklearn.log_model(lr, "model", signature=signature)

    mlflow.register_model(
        f"runs:/{run.info.run_id}/model",
        MODEL_NAME
    )

執行結束後，實驗與註冊模型會顯示在目標工作區。

在 Fabric 工作區間移動 MLflow 物件

在這種情況下，你先在來源工作區記錄物件，然後下載工件並重新登錄到目標工作區。當你需要將訓練好的模型從開發工作區升級到生產工作區時，這種方法非常有用。

步驟 1：在原始工作區記錄物件

import mlflow
import mlflow.sklearn
import numpy as np
from sklearn.linear_model import LogisticRegression
from mlflow.models.signature import infer_signature

# Log to the current (source) workspace
EXP_NAME = "source-experiment"
mlflow.set_experiment(EXP_NAME)

with mlflow.start_run() as run:
    lr = LogisticRegression()
    X = np.array([-2, -1, 0, 1, 2, 1]).reshape(-1, 1)
    y = np.array([0, 0, 1, 1, 1, 0])
    lr.fit(X, y)

    signature = infer_signature(X, y)
    mlflow.sklearn.log_model(lr, "model", signature=signature)

    source_run_id = run.info.run_id

步驟 2：從來源執行下載工件

import mlflow.artifacts

# Download the model artifacts locally
local_artifact_path = mlflow.artifacts.download_artifacts(
    run_id=source_run_id,
    artifact_path="model"
)

步驟 3：將工件重新登錄到目標工作區

import os

target_workspace_id = "<your-target-workspace-id>"
target_uri = f"sds://api.fabric.microsoft.com/v1/workspaces/{target_workspace_id}/mlflow"
os.environ["MLFLOW_TRACKING_URI"] = target_uri

TARGET_EXP_NAME = "promoted-experiment"
TARGET_MODEL_NAME = "promoted-model"
mlflow.set_experiment(TARGET_EXP_NAME)

with mlflow.start_run() as run:
    mlflow.log_artifacts(local_artifact_path, "model")
    mlflow.register_model(
        f"runs:/{run.info.run_id}/model",
        TARGET_MODEL_NAME
    )

從外部 Fabric 記錄 MLflow 對象

你可以從任何建置模型的環境，將 MLflow 實驗和模型記錄到 Fabric 工作區，包括：

本地機器。 VS Code、Jupyter 筆記本，或任何本地的 Python 環境。
Azure Databricks。 Azure Databricks 筆記本與作業。
Azure Machine Learning。 Azure Machine Learning 計算實例與管線。
任何其他平台。任何支援 Python 和 MLflow 的環境。

步驟 1：安裝套件

將套件 synapseml-mlflow 安裝在您的環境中：

pip install -U "synapseml-mlflow" "mlflow-skinny<=2.22.2"

步驟 2：使用 Fabric 認證

根據你的環境選擇一種認證方式：

在具有瀏覽器存取功能的本地開發環境中，例如 VS Code 或 Jupyter，請使用此方法。

from fabric.analytics.environment.credentials import SetFabricAnalyticsDefaultTokenCredentialsGlobally
from azure.identity import DefaultAzureCredential

SetFabricAnalyticsDefaultTokenCredentialsGlobally(
    credential=DefaultAzureCredential(exclude_interactive_browser_credential=False)
)

此方法適用於沒有瀏覽器的環境，例如 Azure Databricks 筆記本或遠端伺服器。請依照螢幕上的指示完成認證。

from fabric.analytics.environment.credentials import SetFabricAnalyticsDefaultTokenCredentialsGlobally
from azure.identity import DeviceCodeCredential

device_code_credential = DeviceCodeCredential()
SetFabricAnalyticsDefaultTokenCredentialsGlobally(
    credential=device_code_credential
)

此方法可用於非互動情境，如自動化管線、持續整合與持續交付（CI/CD）或生產工作負載。

在Microsoft Entra ID中，建立應用程式註冊。
請注意 租戶 ID 和 用戶端 ID 的數值。建立 客戶秘密。

在目標 Fabric 工作區授予服務主體寫入權限。

from fabric.analytics.environment.credentials import SetFabricAnalyticsDefaultTokenCredentialsGlobally
from azure.identity import ClientSecretCredential

spn_credential = ClientSecretCredential(
    tenant_id="<your-tenant-id>",
    client_id="<your-client-id>",
    client_secret="<your-client-secret>"
)

SetFabricAnalyticsDefaultTokenCredentialsGlobally(
    credential=spn_credential
)

步驟 3：設定目標工作區並記錄 MLflow 物件

驗證後，將追蹤 URI 設定為指向你的目標 Fabric 工作區，並使用標準 MLflow API 記錄實驗與模型：

import os
import mlflow
import mlflow.sklearn
import numpy as np
from sklearn.linear_model import LogisticRegression
from mlflow.models.signature import infer_signature

target_workspace_id = "<your-target-workspace-id>"
target_uri = f"sds://api.fabric.microsoft.com/v1/workspaces/{target_workspace_id}/mlflow"
os.environ["MLFLOW_TRACKING_URI"] = target_uri

EXP_NAME = "external-experiment"
MODEL_NAME = "external-model"
mlflow.set_experiment(EXP_NAME)

with mlflow.start_run() as run:
    lr = LogisticRegression()
    X = np.array([-2, -1, 0, 1, 2, 1]).reshape(-1, 1)
    y = np.array([0, 0, 1, 1, 1, 0])
    lr.fit(X, y)

    signature = infer_signature(X, y)
    mlflow.log_metric("score", lr.score(X, y))
    mlflow.sklearn.log_model(lr, "model", signature=signature)

    mlflow.register_model(
        f"runs:/{run.info.run_id}/model",
        MODEL_NAME
    )

使用跨工作區的日誌記錄功能，同時搭配出站存取保護功能

如果你的工作區啟用了出站存取保護，要進行跨工作區日誌傳輸，需要從來源工作區到目標工作區的跨工作區管理的私人端點。

在同一工作空間中記錄日誌，以及從 Fabric 外部（本地機器、Azure Databricks、Azure Machine Learning）記錄的日誌，皆無需額外設定即可運作。

有關支援情境及所需設定的詳細資訊，請參閱 Fabric 資料科學的 Workspace 外出存取保護。

將套件安裝在支援 OAP 的工作區中

標準 %pip install 指令要求外站網際網路存取，而在啟用外站存取保護（OAP）的工作區中會被阻擋。安裝套件 synapseml-mlflow 時，先從非 OAP 環境下載，然後上傳到 Lakehouse。

從有網路連線的機器下載套件 synapseml-mlflow 。
```
pip download synapseml-mlflow[online-notebook]
```
將已下載的檔案上傳到您的 OAP 啟用工作區中的 Lakehouse。將所有 .whl 檔案上傳到湖屋的檔案區塊（例如， /lakehouse/default/Files）。

從湖邊小徑安裝在你的 Fabric 筆記本裡：

%pip install --no-index --find-links=/lakehouse/default/Files "synapseml-mlflow[online-notebook]>2.0.0" "mlflow-skinny<=2.22.2" --pre

設定追蹤 URI 使用受管理的私有端點。如果你目前的工作區啟用了 OAP，你必須從來源工作區設定一個跨工作空間管理的私有端點到目標工作區。然後，將追蹤 URI 路由私有端點。

import os
from fabric.analytics.environment.context import FabricContext, InternalContext

context = FabricContext(workspace_id=target_workspace_id, internal_context=InternalContext(is_wspl_enabled=True))
print(context.pbi_shared_host)
# You need to set up and use this private endpoint if your current workspace has OAP enabled

os.environ["MLFLOW_TRACKING_URI"] = f"sds://{context.pbi_shared_host}/v1/workspaces/{target_workspace_id}/mlflow"

已知的限制

需要寫入權限。你必須在目標工作區擁有寫入權限。
不支援跨工作空間的資料譜系。當這些物件從不同工作區記錄時，你無法查看筆記本、實驗和模型之間的關係。
來源筆記本在目標工作區中看不到。原始筆記本不會出現在目標工作區中。在項目細節和清單頁面中，來源筆記本的連結是空的。
不支援物品快照功能。機器學習實驗或模型若被記錄到其他工作區，則不會出現在原始碼執行的筆記本項目快照中。
大型語言模型不被支援。跨工作空間日誌不支援大型語言模型（LLM）。

意見反應

此頁面對您有幫助嗎？

上次更新時間： 2026-06-04