管理模型生命周期

使用UI創建或注冊一個模型

在model Registry中注冊模型有兩種方法。您可以注冊一個已經記錄到MLflow的現有模型，或者您可以創建並注冊一個新的空模型，然後將以前記錄的模型分配給它。

使用API注冊一個模型

在model Registry中注冊模型有三種編程方法。所有方法都將模型複製到由MLflow模型注冊中心管理的安全位置。

• 要記錄模型並在MLflow實驗期間將其注冊為指定的名稱，請使用mlflow。< model-flavor > .log_model(…)方法。如果帶有該名稱的注冊模型不存在，則該方法注冊一個新模型，創建版本1，並返回一個ModelVersionMLflow對象。如果名稱為該名稱的注冊模型已經存在，則該方法創建一個新的模型版本並返回版本對象。

  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>”）

• 在您所有的實驗運行完成之後，要用指定的名稱注冊一個模型，並且您已經決定了哪個模型最適合添加到注冊表中，請使用mlflow.register_model ()方法。方法的運行IDmlruns: URI論點。如果帶有該名稱的注冊模型不存在，則該方法注冊一個新模型，創建版本1，並返回一個ModelVersionMLflow對象。如果名稱為該名稱的注冊模型已經存在，則該方法創建一個新的模型版本並返回版本對象。

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

• 要創建具有指定名稱的新注冊模型，請使用MLflow Client APIcreate_registered_model ()方法。如果模型名存在，此方法拋出MLflowException．

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

您還可以向Databricks Terraform提供商而且databricks_mlflow_model．

使用UI轉換模型階段

按照這些說明轉換模型的階段。

1. 要顯示可用模型階段和可用選項的列表，在模型版本頁麵中，單擊旁邊的下拉列表階段:並請求或選擇過渡到另一個階段。

   

2. 輸入一個可選的注釋並單擊好吧．

批準、拒絕或取消一個模型版本階段轉換請求

沒有階段轉換權限的用戶可以請求階段轉換。請求出現在掛起的請求模型版本頁中的節:

要批準、拒絕或取消階段轉換請求，請單擊批準，拒絕,或取消鏈接。

轉換請求的創建者也可以取消請求。

使用API轉換模型階段

適當的使用者權限可以將一個模型版本過渡到一個新的階段。

要將一個模型版本階段更新到一個新階段，請使用MLflow Client 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>”）

接受的價值觀> <階段是:“暫存”|“暫存”，“存檔”|“歸檔”，“生產”|“生產”，“沒有”|“沒有”．

配置批處理推理

當您按照這些步驟創建批處理推斷筆記本時，該筆記本將保存在您的用戶文件夾中Batch-Inference文件夾中帶有模型名稱的文件夾。你可以根據需要編輯筆記本。

1. 單擊批推理選項卡。

2. 從模型版本下拉菜單，選擇要使用的模型版本。下拉列表中的前兩項是模型的當前Production和Staging版本(如果它們存在的話)。當您選擇其中一個選項時，筆記本將自動使用運行時的生產或登台版本。您不需要在繼續開發模型時更新筆記本。

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。如有必要，您可以在計算下拉。

   請注意

   對於支持Unity Catalog的工作空間，選擇輸入數據對話框允許你從三個級別中選擇，< catalog_name >, < database_name >。< table_name >．

4. 選擇包含模型輸入數據的表，然後單擊選擇．生成的筆記本自動導入此數據並將其發送到模型。如果數據在輸入到模型之前需要任何轉換，那麼您可以編輯生成的筆記本。

5. 預測被保存在目錄中的一個文件夾中dbfs: / FileStore / batch-inference．默認情況下，預測將保存在與模型同名的文件夾中。每次運行生成的筆記本時，都會將一個新文件寫入此目錄，並將時間戳附加到名稱後麵。您還可以選擇不包含時間戳，並在後續運行筆記本時覆蓋該文件;生成的筆記本中提供了說明。

   的文件夾中輸入新的文件夾名稱，可以更改保存預測的文件夾輸出表位置字段或通過單擊文件夾圖標來瀏覽目錄並選擇不同的文件夾。

   為了將預測保存到Unity Catalog中的某個位置，你必須編輯筆記本。關於演示如何訓練一個使用Unity Catalog中的數據的機器學習模型並將結果寫回Unity Catalog的筆記本示例，請參見使用Unity Catalog數據進行Python ML模型訓練．

使用Delta Live表配置流推理

當您按照這些步驟創建流推理筆記本時，該筆記本將保存在您的用戶文件夾中DLT-Inference文件夾中帶有模型名稱的文件夾。你可以根據需要編輯筆記本。

1. 單擊流媒體(Delta Live表)選項卡。

2. 從模型版本下拉菜單，選擇要使用的模型版本。下拉列表中的前兩項是模型的當前Production和Staging版本(如果它們存在的話)。當您選擇其中一個選項時，筆記本將自動使用運行時的生產或登台版本。您不需要在繼續開發模型時更新筆記本。

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。如有必要，您可以在計算下拉。

   請注意

   對於支持Unity Catalog的工作空間，選擇輸入數據對話框允許你從三個級別中選擇，< catalog_name >, < database_name >。< table_name >．

4. 選擇包含模型輸入數據的表，然後單擊選擇．生成的筆記本創建使用輸入表作為源的數據轉換，並集成MLflowPySpark推理UDF進行模型預測。如果數據在應用模型之前或之後需要任何額外的轉換，您可以編輯生成的筆記本。

5. 提供輸出的Delta Live表名。筆記本創建一個具有給定名稱的活動表，並使用它存儲模型預測。您可以根據需要修改生成的筆記本以自定義目標數據集——例如:定義一個流直播表作為輸出，添加模式信息或數據質量約束。

6. 你可以選擇創建一個新的Delta Live Tables管道與這個筆記本或添加它添加到現有的管道中作為附加的筆記本庫。

配置實時推理

1. 在配置模型推斷對話框中，單擊實時選項卡。

2. 如果該模型未啟用服務，則單擊支持服務．的服務選項卡的注冊模型頁麵出現,狀態顯示為Pending。幾分鍾後，狀態變為“準備就緒”。

   如果服務已啟用，請單擊查看現有實時推理來顯示服務選項卡．

提供反饋

這個功能正在預覽中，我們希望得到您的反饋。單擊，提供反饋提供反饋在配置模型推理對話框中。

關閉所有郵件通知

你可以在“用戶設置”菜單的“模型注冊表設置”選項卡中關閉郵件通知:

1. 點擊設置在Databricks工作區的左下角。

2. 點擊用戶設置．

3. 去電子郵件首選項選項卡。

4. 關掉Model Registry電子郵件通知．

中，管理員可以關閉整個組織的電子郵件通知管理控製台．

發送郵件的最大數量

模型注冊表限製每天每個活動發送給每個用戶的電子郵件數量。例如，如果您在一天內收到20封關於為已注冊模型創建的新模型版本的電子郵件，model Registry將發送一封電子郵件，指出已達到每日限製，並且直到第二天才會發送關於該事件的附加電子郵件。

要增加允許的電子郵件數量的限製，請與您的Databricks代表聯係。

使用UI注釋模型或模型版本

Databricks UI提供了幾種方法來注釋模型和模型版本。您可以使用描述或注釋添加文本信息，還可以添加可搜索的鍵-值標記．描述和標簽可用於模型和模型版本;注釋隻適用於模型版本。

• 描述旨在提供關於模型的信息。

• 注釋提供了一種維護關於模型版本上的活動的持續討論的方法。

• 標記允許您自定義模型元數據，以便更容易地找到特定的模型。

編輯或刪除模型或模型版本的標記

控件中的圖標可編輯或刪除現有標記行動列。

使用API注釋模型版本

要更新模型版本描述，請使用MLflow客戶端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>”）

要為注冊的模型或模型版本設置或更新標記，請使用MLflow客戶端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>”）

使用UI搜索模型

單擊，顯示所有已注冊的型號模型在側邊欄。

要搜索特定的模型，請在搜索框中輸入文本。您可以輸入模型的名稱或名稱的任何部分:

你也可以在標簽上搜索。按以下格式輸入標簽:標簽。<關鍵> = <值>．要搜索多個標記，請使用和操作符。

方法可以搜索模型名和標記MLflow搜索語法．例如:

使用API搜索模型

要檢索所有注冊模型的列表，請使用MLflow Client APIlist_registered_models ()方法:

從pprint進口pprint客戶端＝MlflowClient（）為rm在客戶端．list_registered_models（）：pprint（dict（rm)，縮進＝4）

這個輸出:

{'creation_timestamp': 1582671933216，“描述”:沒有,“last_updated_timestamp”:1582671960712,'latest_versions': [，]，“名稱”:“sk-learn-random-forest-reg-model”}

您還可以使用MLflow Client API搜索特定的模型名稱並列出其版本詳細信息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”,'description': '包含100棵決策樹的隨機森林模型'“接受科學訓練”，“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,'version': 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,'version': 2}

如果你有設置標簽在您的模型上，您還可以使用MLflow Client API方法通過這些標記進行搜索“search_registered_models()”．

打印（f“查找具有特定標記值的注冊模型”）為米在客戶端．search_registered_models（f“tags. <鍵值> = ' <標簽值>“”)：pprint（dict（米)，縮進＝4）

使用UI刪除模型版本或模型

刪除一個型號版本。

1. 點擊模型在側邊欄。

2. 單擊模型名稱。

3. 點擊模型版本。

4. 點擊在屏幕右上角，並選擇刪除從下拉菜單。

刪除一個模型。

1. 點擊模型在側邊欄。

2. 單擊模型名稱。

3. 點擊在屏幕右上角，並選擇刪除從下拉菜單。

使用API刪除一個模型版本或模型

#刪除模型的版本1、2和3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>”）