核心要点
记录的不只是指标，还要含 git commit、依赖与数据版本——否则无法真正复现一次 run
价值在于横向对比：几十组超参并排看，快速定位 Pareto 最优而非凭记忆
与下游打通：实验达标后自动 register 到模型注册表，再触发部署，形成链路
spreadsheet 手抄、notebook 覆盖旧结果是典型反模式，无法检索也无法审计
简要回答
实验跟踪（Experiment Tracking） 自动记录 ML 实验的完整上下文：
记录内容：
- Parameters：学习率、batch size、模型结构
- Metrics：train/val loss、AUC（按 step/epoch）
- Artifacts：模型权重、Checkpoint、混淆矩阵图
- Environment：git commit、依赖、Docker 镜像 ID
- Tags/Notes：实验目的、结论
为何重要：
- 可复现：三月后能复现今日最佳 run
- 对比：并排比较 50 组超参，找 Pareto 最优
- 协作：团队共享实验看板，避免重复踩坑
- 合规：审计「该模型如何训练出来」
- 自动化：与 HPO、CI 集成，达标自动注册
工具：MLflow、W&B、Neptune；
反模式：spreadsheet 手抄 metric、本地 checkpoint 无命名规范、notebook 覆盖旧结果
标准回答
实验跟踪（Experiment Tracking） 自动记录 ML 实验的完整上下文：
记录内容：
- Parameters：学习率、batch size、模型结构
- Metrics：train/val loss、AUC（按 step/epoch）
- Artifacts：模型权重、Checkpoint、混淆矩阵图
- Environment：git commit、依赖、Docker 镜像 ID
- Tags/Notes：实验目的、结论
为何重要：
- 可复现：三月后能复现今日最佳 run
- 对比：并排比较 50 组超参，找 Pareto 最优
- 协作：团队共享实验看板，避免重复踩坑
- 合规：审计「该模型如何训练出来」
- 自动化：与 HPO、CI 集成，达标自动注册
工具：MLflow、W&B、Neptune。
反模式：spreadsheet 手抄 metric、本地 checkpoint 无命名规范、notebook 覆盖旧结果。详见 MLOps 入门、实验管理。
常见误区
⚠️ 常见踩坑
只记 accuracy 不记数据和代码版本；实验名随意无法检索；不与 CI 集成。
追问
追问 1：实验跟踪和模型注册如何衔接？
实验跟踪记录每一次 run（含大量失败试错）；当某个 run 达到上线标准后，将其产出的模型 artifact register 到模型注册表，并带上 run id 形成 lineage。注册表只收候选上线版本并管理阶段流转，二者是「全量记录」与「精选治理」的关系。
追问 2：分布式训练如何记录指标？
只让 rank 0（主进程）写日志，避免多副本重复打点；分布式指标（如 loss）先用 all-reduce 聚合再记录，确保是全局值而非单卡值；系统/GPU 利用率可按 rank 分别记录便于排查掉队节点。
追问 3：敏感数据实验如何跟踪？
只记录元数据与统计量，不把原始样本写入跟踪系统；用数据哈希或版本号代替明文引用；跟踪服务端做访问控制与加密，并在合规要求下脱敏或仅在内网/私有部署实例中保存。
延伸学习
与本题相关的知识库文章、术语、工具与行业资讯。
📰 AI 资讯
🛠️ AI 工具