記錄、加載、注冊和部署MLflow模型

API命令

將模型記錄到MLflow跟蹤服務器,使用mlflow。<模型類型> .log_model(模型,…)．

要加載先前記錄的模型以進行推斷或進一步開發，請使用mlflow。<模型類型> .load_model (modelpath),在那裏modelpath是下列之一:

• 運行相對路徑(例如運行:/ {run_id} / {model-path}）

• DBFS路徑

• 一個注冊模式路徑(例如模型:/ {model_name} / {model_stage}）.

有關加載MLflow模型的選項的完整列表，請參見在MLflow文檔中引用工件．

對於Python MLflow模型，另一個選項是使用mlflow.pyfunc.load_model ()將模型作為通用Python函數加載。您可以使用下麵的代碼片段加載模型並對數據點進行評分。

模型＝mlflow．pyfunc．load_model（model_path）模型．預測（model_input）

作為另一種選擇，您可以將模型導出為Apache Spark UDF，用於在Spark集群上進行評分，可以作為批處理作業，也可以作為實時作業火花流的工作。

#將輸入數據表加載為Spark DataFrameinput_data＝火花．表格（input_table_name）model_udf＝mlflow．pyfunc．spark_udf（model_path）df＝input_data．withColumn（“預測”，model_udf（))

日誌模型依賴關係

為了準確地加載模型，您應該確保將模型依賴項以正確的版本加載到notebook環境中。在Databricks Runtime 10.5 ML及以上版本中，如果在當前環境和模型依賴項之間檢測到不匹配，MLflow會警告您。

Databricks Runtime 11.0 ML及以上版本中包含了簡化恢複模型依賴關係的附加功能。在Databricks運行時11.0 ML及以上，用於pyfunc口味模型，你可以叫mlflow.pyfunc.get_model_dependencies檢索和下載模型依賴項。此函數返回依賴項文件的路徑，然後使用該路徑進行安裝%皮普安裝<文件路徑>．當您將模型作為PySpark UDF加載時，指定env_manager = " virtualenv "在mlflow.pyfunc.spark_udf調用。這將恢複PySpark UDF上下文中的模型依賴關係，並且不會影響外部環境。

您也可以通過手動安裝在Databricks Runtime 10.5或以下版本中使用此功能MLflow 1.25.0或以上版本：

％皮普安裝“mlflow > = 1.25.0”

有關如何記錄模型依賴關係(Python和非Python)和工件的其他信息，請參見日誌模型依賴關係．

了解如何為模型服務記錄模型依賴關係和自定義工件:

• 使用依賴項部署模型

• ＿

• ＿

MLflow UI中自動生成的代碼片段

當您在Databricks筆記本中記錄模型時，Databricks會自動生成代碼片段，您可以複製這些代碼片段並使用它們來加載和運行模型。查看這些代碼片段:

1. 導航到生成模型的運行的Runs屏幕。(見查看筆記本實驗查看如何顯示“運行”界麵。)

2. 滾動到工件部分。

3. 單擊記錄模型的名稱。右邊會打開一個麵板，顯示可以用來加載日誌模型並在Spark或pandas DataFrames上進行預測的代碼。

例子

有關日誌記錄模型的示例，請參見中的示例跟蹤機器學習訓練運行實例．有關加載日誌模型進行推斷的示例，請參閱下麵的示例。