之間的區別是什麼mlflow項目和mlflow模型?

[匿名]

他們似乎都包了。當使用一個在另一個嗎?

[User15787040559]

MLflow項目包裝代碼可重用數據科學的標準格式。每個項目是一個簡單的代碼或Git存儲庫目錄,並使用一個描述符文件或者隻是約定指定其依賴關係以及如何運行代碼。例如,項目可以包含一個

conda。yaml文件指定一個PythonConda環境。當你使用MLflow跟蹤API的一個項目,MLflow自動記得項目版本(例如,Git commit)和任何參數。你可以很容易地從GitHub運行現有MLflow項目或自己的Git存儲庫,和連鎖成多步工作流。

MLflow模型提供約定包裝機器學習模型多種多樣,和各種各樣的工具來幫助您部署它們。每個模型包含任意文件保存為目錄和一個描述符文件,列出幾個模型可以用於“口味”。例如,TensorFlow模型可以作為加載TensorFlow DAG,或作為一個Python函數適用於輸入數據。MLflow提供了許多常見的模型類型多樣化的平台部署的工具:例如,任何模型支持“Python函數”味道可以部署到Docker-baseBeplay体育安卓版本d其他服務器,雲平台Azure毫升和AWS SageMaker等,並作為批處理和用戶定義的函數在Apache引發流推理。如果你輸出MLflow模型使用跟蹤API,還MLflow自動記得他們來自哪個項目和運行。

請參閱這更多的參考

[User16776431030]

MLflow項目——這些都是標準化的方式打包代碼相關的特定數據科學或機器學習“項目”。例如,如果你有一個工作流數據預處理(步驟1)和火車模型(步驟2),你可以包成一個spec文件類似於“MLproject”這。許多組織使用這種格式來構建整合在不同團隊工作項目,並確保項目是重複的(例如模型培訓都以相同的方式發生時間)在整個代碼庫。

MLflow模型——這些都是最簡單的方法抽象的模型訓練的方式部署。例如,您可能想要使用的功能毫升框架(說,Pytorch),但你不知道如何部署這個模型:批得分用火花嗎?實時API端點?使用MLflow模型,當你訓練一個模型時,它會自動生成多個“口味”的特定的訓練模型可以部署。然後你可以部署,然而你喜歡(例如Python函數,又名。“pyfunc”)而不用擔心底層毫升框架。

[sean_owen]

指出一件事我認為這是有用的為磚用戶是你一般不使用MLflow項目來描述執行建模。您就直接使用MLflow磚和磚使用筆記本電腦來管理代碼和庫。但是你仍然可以執行一個MLflow對磚磚以外的項目。