本文旨在解决 MLflow UI 启动时遇到的 "PermissionError: [WinError 10013]" 权限错误，并指导用户正确配置和访问 MLflow UI。文章将分析错误原因，提供详细的解决方案，包括指定 host 和 port，以及排查网络配置等，帮助用户顺利启动并使用 MLflow UI 进行实验跟踪和管理。
权限错误分析与解决
在使用 MLflow UI 时，可能会遇到 PermissionError: [WinError 10013] An attempt was made to
access
a socket in a way forbidden by its access permissions 错误。这通常表示当前用户没有足够的权限在默认端口上启动 MLflow 服务。
可能的原因：
端口冲突：
另一个程序可能正在使用 MLflow 尝试使用的默认端口（通常是 5000）。
权限限制：
当前用户可能没有绑定到特定端口的权限。
防火墙阻止：
防火墙可能阻止 MLflow 访问网络。
解决方案：
指定 Host 和 Port：
这是最常见的解决方案。通过明确指定 host 和 port，可以避免默认配置可能存在的问题。
--host 127.0.0.1 将服务绑定到本地回环地址，仅允许本地访问。 0.0.0.0 允许来自任何地址的访问，但可能存在安全风险。
--port 8080 指定服务监听的端口。选择一个未被占用的端口。
检查端口占用情况：
使用以下命令检查端口是否被占用：
Windows:
netstat -ano | findstr :5000 (将 5000 替换为你尝试使用的端口)
Linux/macOS:
lsof -i :5000 (将 5000 替换为你尝试使用的端口)
如果端口被占用，找到占用端口的进程并关闭它，或者选择另一个未被占用的端口。
以管理员身份运行：
在某些情况下，以管理员身份运行命令行终端可以解决权限问题。
Comet AI 浏览器
下载 Comet AI 浏览器，体验由 Perplexity AI 驱动的革命性上网方式。内置 AI 助手可实时总结网页、跨标签页对比信息、自动执行任务。告别繁琐操作，让 AI 成为你的浏览副驾，大幅提升研究与工作效率。支持 Windows、macOS、Android 和 iOS。
下载
防火墙配置：
确保防火墙允许 MLflow 访问网络。你可能需要添加一个允许 MLflow 使用指定端口的规则。
访问 MLflow UI
在成功启动 MLflow 服务后，可以通过
浏览器
访问 UI。
使用 --host 127.0.0.1:
在浏览器中输入 http://127.0.0.1:8080 (将 8080 替换为你指定的端口)。
使用 --host 0.0.0.0:
在浏览器中输入 http://localhost:8080 或 http://127.0.0.1:8080 (将 8080 替换为你指定的端口)。 如果从其他机器访问，需要使用服务器的 IP 地址： http://<服务器IP地址>:8080
"localhost page not found" 问题：
如果在尝试访问 MLflow UI 时遇到 "localhost page not found" 错误，请检查以下事项：
MLflow 服务是否正在运行：
确保 MLflow 服务已成功启动，并且没有出现任何错误。
端口号是否正确：
确认浏览器中输入的端口号与启动 MLflow 服务时指定的端口号一致。
Host 配置：
如果使用了 --host 0.0.0.0，尝试使用 localhost 或 127.0.0.1 访问。如果从其他机器访问，需要使用服务器的 IP 地址。
网络连接：
确保你的
计算机
可以访问 MLflow 服务所在的网络。
示例代码
以下是一个简单的 Python 脚本，用于记录 MLflow 实验：
运行此脚本后，可以使用 mlflow ui 命令启动 MLflow UI，查看实验结果。
总结
通过以上步骤，你应该能够解决 MLflow UI 启动时遇到的权限错误，并成功访问和使用 MLflow UI。 记住，仔细检查端口占用情况，正确配置 host 和 port，并确保网络连接正常是解决问题的关键。 如果仍然遇到问题，请检查 MLflow 的日志文件，以获取更多详细的错误信息。
mlflow ui --host 127.0.0.1 --port 8080import mlflow
import mlflow.sklearn
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split
from sklearn.datasets import load_diabetes
from sklearn.metrics import mean_squared_error
# 加载数据集
diabetes = load_diabetes()
X, y = diabetes.data, diabetes.target
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 启动 MLflow 实验
with mlflow.start_run():
# 定义模型
model = LinearRegression()
# 训练模型
model.fit(X_train, y_train)
# 预测
predictions = model.predict(X_test)
# 评估模型
mse = mean_squared_error(y_test, predictions)
# 记录参数
mlflow.log_param("alpha", 1.0)
# 记录指标
mlflow.log_metric("mse", mse)
# 记录模型
mlflow.sklearn.log_model(model, "model")
print(f"MSE: {mse}")
print("MLflow run completed successfully.")