生命周期管理模型

使用UI創建或注冊一個模型

有兩種方法來注冊一個模型在模型中注冊表。你可以注冊一個現有的模型,已經記錄到MLflow,或者您可以創建和注冊一個新的空模型,然後分配一個以前記錄模型。

注冊一個模型使用API

有三種編程方法來注冊一個模型在模型中注冊表。所有方法複製模型到一個安全的位置由MLflow模型注冊表。

• 記錄模型和注冊到指定的名稱在MLflow實驗中,使用mlflow。< model-flavor > .log_model (…)方法。如果注冊模型的名稱不存在,這個方法注冊一個新的模型,創建版本1,並返回一個ModelVersionMLflow對象。如果注冊模型的名稱已經存在,該方法創建一個新的模型版本並返回對象的版本。

  與mlflow。start_run(run_name= <運行- - - - - -的名字>)作為運行:…mlflow。<模型- - - - - -味道>。log_model(<模型- - - - - -味道> = <模型>,artifact_path=“< model-path >”,registered_model_name=“<模型名稱>”)

• 注冊一個模型與指定名稱所有實驗運行完成後,你決定哪種模式最適合添加到注冊表,使用mlflow.register_model ()方法。對於這個方法,需要運行IDmlruns: URI論點。如果注冊模型的名稱不存在,這個方法注冊一個新的模型,創建版本1,並返回一個ModelVersionMLflow對象。如果注冊模型的名稱已經存在,該方法創建一個新的模型版本並返回對象的版本。

  結果=mlflow。register_model(“運行:< model-path >”,“<模型名稱>”)

• 創建一個新的注冊模型指定的名稱,使用MLflow客戶機APIcreate_registered_model ()方法。如果模型名稱存在,該方法拋出一個MLflowException。

  客戶端=MlflowClient()結果=客戶端。create_registered_model(“<模型名稱>”)

你也可以注冊一個模型磚起程拓殖的提供者和databricks_mlflow_model。

過渡階段使用UI模型

按照下列指示來轉換模型的階段。

1. 顯示的列表可用模型階段,你的可用選項,在一個模型版本頁麵,單擊旁邊的下拉列表階段:和請求或選擇一個過渡到另一個階段。

   

2. 輸入一個可選的評論,然後單擊好吧。

批準、拒絕或取消請求模型版本階段過渡

用戶沒有權限可以請求階段過渡階段過渡。請求出現在掛起的請求部分的模型版本頁麵:

批準、拒絕或取消一個階段轉換請求,點擊批準,拒絕,或取消鏈接。

過渡的創建者請求也可以取消請求。

過渡使用API模型階段

用戶提供適當的權限模型版本過渡到一個新的階段。

更新模型版本階段提升到一個新的階段,使用MLflow客戶機APItransition_model_version_stage ()方法:

客戶端=MlflowClient()客戶端。transition_model_version_stage(的名字=“<模型名稱>”,版本= <模型- - - - - -版本>,階段=“< >階段”,描述=“<描述>”)

可接受的值<階段>是:“暫存”|“暫存”,“存檔”|“歸檔”,“生產”|“生產”,“沒有”|“沒有”。

配置批推理

當你遵循這些步驟,以創建一批推理筆記本,筆記本是保存在您的用戶文件夾下Batch-Inference與模型文件夾在文件夾的名字。你可以根據需要編輯的筆記本。

1. 單擊批推理選項卡。

2. 從模型版本下拉,選擇要使用的模型版本。前兩個項目下拉模型的當前生產和分段版本(如果存在的話)。當您選擇這些選項之一,筆記本自動使用生產或臨時版本的運行時間。你不需要更新筆記本繼續發展模型。

3. 單擊瀏覽旁邊的按鈕輸入表。的選擇輸入數據對話框出現了。如果有必要,你可以改變的集群計算下拉。

   請注意

   統一目錄啟用工作區,選擇輸入數據對話框允許您選擇從三個層次,<目錄名稱>。<數據庫名稱>。<表名稱>。

4. 選擇包含模型的輸入數據的表,並單擊選擇。進口筆記本電腦自動生成該數據並將其發送到模型中。您可以編輯生成的筆記本如果數據需要任何之前轉換輸入到模型中。

5. 預測是保存在一個文件夾的目錄dbfs: / FileStore / batch-inference。默認情況下,保存在一個文件夾名稱相同的預測模型。每次運行生成的筆記本寫到一個新文件與時間戳添加到該目錄的名字。你也可以選擇不包括覆蓋該文件的時間戳和隨後的筆記本的運行;指令提供了生成的筆記本。

   你可以改變預測的文件夾保存輸入到一個新文件夾的名字輸出表的位置字段或通過單擊文件夾圖標瀏覽目錄並選擇一個不同的文件夾。

   將預測保存到一個位置統一目錄,您必須編輯筆記本。例如筆記本顯示如何訓練機器學習模型,使用數據統一目錄並把結果返回給統一目錄,看看Python毫升模型訓練和聯合編目數據。

配置流推理使用三角洲住表

當你按照以下步驟創建一個流推理筆記本,筆記本是保存在您的用戶文件夾下DLT-Inference與模型文件夾在文件夾的名字。你可以根據需要編輯的筆記本。

1. 單擊流(δ生活表)選項卡。

2. 從模型版本下拉,選擇要使用的模型版本。前兩個項目下拉模型的當前生產和分段版本(如果存在的話)。當您選擇這些選項之一,筆記本自動使用生產或臨時版本的運行時間。你不需要更新筆記本繼續發展模型。

3. 單擊瀏覽旁邊的按鈕輸入表。的選擇輸入數據對話框出現了。如果有必要,你可以改變的集群計算下拉。

4. 選擇包含模型的輸入數據的表,並單擊選擇。使用生成的筆記本創建一個數據變換作為源和整合了MLflow輸入表PySpark推理UDF執行模型預測。您可以編輯生成的筆記本如果需要任何額外的轉換之前或之後的數據模型。

5. 提供輸出三角洲住表名。筆記本用給定的名稱創建一個生活表,並使用它來存儲模型預測。您可以修改生成的筆記本定製所需的目標數據集——例如:定義一個直播表作為輸出,添加模式信息或數據質量約束。

6. 您可以創建一個新的三角洲生活表管道用這個筆記本或將其添加到現有管道作為額外的筆記本圖書館。

提供反饋

這個特性在預覽,我們希望得到你的反饋。提供反饋,點擊提供反饋在配置模型推理對話框。

關掉所有電子郵件通知

你可以關掉郵件通知模型中注冊用戶設置菜單的設置選項卡:

1. 點擊設置在左下角的磚工作區。

2. 點擊用戶設置。

3. 去電子郵件首選項選項卡。

4. 關掉模型注冊郵件通知。

一個帳戶管理員可以關掉整個組織的電子郵件通知管理員設置頁麵。

最大數量的電子郵件發送

模型注冊限製每個用戶發送的郵件數量每一天的活動。舉個例子,如果你收到一天20封電子郵件關於新模型版本為注冊創建模型,模型注冊發送電子郵件指出每日限製已經達到,也沒有額外的電子郵件關於這個事件被發送到第二天。

增加郵件的數量的限製,請聯係您的磚的代表。

注釋一個模型或模型版本使用UI

磚UI提供了幾種方法來標注模型和模型版本。您可以添加使用描述或評論文本信息,你可以添加搜索鍵-值標簽。描述和標簽可用於模型和模型版本;評論僅供模型版本。

• 旨在提供信息模型描述。

• 評價提供一種方法來維護一個正在進行的討論活動模型版本。

• 標記允許您定製模型元數據能很容易地找到特定的模型。

編輯或刪除標記為一個模型或者模型版本

編輯或刪除現有標簽,使用的圖標行動列。

注釋一個模型使用API版本

更新版本描述模型,使用MLflow客戶機APIupdate_model_version ()方法:

客戶端=MlflowClient()客戶端。update_model_version(的名字=“<模型名稱>”,版本= <模型- - - - - -版本>,描述=“<描述>”)

建立或更新一個標記注冊模型或者模型版本,使用MLflow客戶機API“set_registered_model_tag ()”)或“set_model_version_tag ()”方法:

客戶端=MlflowClient()客戶端。set_registered_model_tag()(的名字=“<模型名稱>”,關鍵=“<鍵值>”,標簽=“<標簽值>”)

客戶端=MlflowClient()客戶端。set_model_version_tag()(的名字=“<模型名稱>”,版本= <模型- - - - - -版本>,關鍵=“<鍵值>”,標簽=“<標簽值>”)

尋找一個模型使用UI

顯示所有注冊模式,點擊模型在側邊欄。

搜索一個特定的模型,在搜索框中輸入文本。您可以輸入一個模型的名稱或任何部分的名稱:

你也可以搜索標簽。在這種格式輸入標簽:標簽。<鍵> = <值>。搜索多個標簽,使用和操作符。

你可以搜索模型名稱和標簽使用MLflow搜索語法。例如:

尋找一個模型使用API

你可以搜索模型在模型中注冊MLflow注冊客戶端API方法search_registered_models ()

如果你有設置標簽在你的模型,你也可以搜索的標簽search_registered_models ()。

打印(f“找到注冊模型與一個特定的標記價值”)為米在客戶端。search_registered_models(f“tags. <鍵值> = <標簽值>”):pprint(dict(米),縮進=4)

你也可以搜索一個特定的模型名稱和使用MLflow客戶機API版本上市細節search_model_versions ()方法:

從pprint進口pprint客戶端=MlflowClient()(pprint(mv)為mv在客戶端。search_model_versions(“name = <模型名稱>”)]

這個輸出:

{“creation_timestamp”: 1582671933246,“current_stage”:“生產”,“描述”:“一個隨機森林模型包含100決策樹“scikit-learn訓練”,“last_updated_timestamp”: 1582671960712,“名稱”:“sk-learn-random-forest-reg-model”,“run_id”:“ae2cc01346de45f79a44a320aab1797b”,“源”:“。/ mlruns / 0 / ae2cc01346de45f79a44a320aab1797b /工件/ sklearn-model ',“狀態”:“準備好了”,“status_message”:沒有,“user_id”:沒有,“版本”:1}{“creation_timestamp”: 1582671960628,“current_stage”:“沒有”,“描述”:沒有,“last_updated_timestamp”: 1582671960628,“名稱”:“sk-learn-random-forest-reg-model”,“run_id”:“d994f18d09c64c148e62a785052e6723”,“源”:“。/ mlruns / 0 / d994f18d09c64c148e62a785052e6723 /工件/ sklearn-model ',“狀態”:“準備好了”,“status_message”:沒有,“user_id”:沒有,“版本”:2}

刪除一個使用UI模型版本或模型

刪除一個模型版本:

1. 點擊模型在側邊欄。

2. 點擊一個模型的名字。

3. 點擊一個模型版本。

4. 點擊在屏幕的右上角和選擇刪除從下拉菜單。

刪除模型:

1. 點擊模型在側邊欄。

2. 點擊一個模型的名字。

3. 點擊在屏幕的右上角和選擇刪除從下拉菜單。

刪除一個模型或模型版本使用API

#刪除版本1、2和3的模型客戶端=MlflowClient()版本=(1,2,3]為版本在版本:客戶端。delete_model_version(的名字=“<模型名稱>”,版本=版本)

客戶端=MlflowClient()客戶端。delete_registered_model(的名字=“<模型名稱>”)