經典MLflow模型在磚

啟用和禁用服務模型

你讓一個模型為其服務注冊頁麵模型。

1. 單擊服務選項卡。如果模型是服務尚未啟用,支持服務按鈕出現。

2. 點擊支持服務。服務選項卡出現了狀態顯示為等待。幾分鍾後,狀態更改好了。

禁用一個服務模型,點擊停止。

為驗證模型

從服務選項卡中,您可以發送一個請求到服務模型和視圖響應。

模型版本uri

每個部署模型版本被分配一個或多個獨特的uri。至少,每個模型版本分配URI構造如下:

< databricks-instance > /模型/ < registered-model-name > / <模型版本> /調用

例如,調用模型注冊的版本1iris-classifier使用這個URI:

https:// < databricks-instance > /模型/ iris-classifier / 1 /調用

你也可以叫一個模型版本的階段。例如,如果版本1的生產階段,也可以使用這個URI得分:

https:// < databricks-instance > /模型/ iris-classifier /生產/調用

頂部的可用模式uri列表出現在服務選項卡頁麵模型的版本。

通過UI得分

這是最簡單和最快的方式來測試模型。你可以插入模型以JSON格式輸入數據並單擊發送請求。如果模型記錄了一個輸入的例子(如圖形所示上圖),點擊負載的例子加載輸入示例。

分數通過REST API請求

你可以發送一個請求通過REST API使用得分標準磚的身份驗證。下麵的例子演示使用個人身份驗證訪問令牌。

給定一個MODEL_VERSION_URI就像https:// < databricks-instance > /模型/ iris-classifier /生產/調用(< databricks-instance >是磚實例的名稱)和一個磚REST API的令牌DATABRICKS_API_TOKEN,下麵是一些例子的片段如何查詢服務模型:

curl - x POST - u令牌:DATABRICKS_API_TOKEN美元MODEL_VERSION_URI美元\- h“application / json內容類型:\- d”({“sepal_length”: 5.1,“sepal_width”: 3.5,“petal_length”: 1.4,“petal_width”: 0.2}]“

curl - x POST - u令牌:DATABRICKS_API_TOKEN美元MODEL_VERSION_URI美元\- h“application / json內容類型:\- d{“輸入”:[[5.1,3.5,1.4,0.2]]}”

進口numpy作為np進口熊貓作為pd進口請求defcreate_tf_serving_json(數據):返回{“輸入”:{的名字:數據(的名字]。tolist()為的名字在數據。鍵()}如果isinstance(數據,dict)其他的數據。tolist()}defscore_model(model_uri,databricks_token,數據):頭={“授權”:f“不記名{databricks_token}”,“內容類型”:“application / json”,}data_json=數據。to_dict(東方=“記錄”)如果isinstance(數據,pd。DataFrame)其他的create_tf_serving_json(數據)響應=請求。請求(方法=“職位”,頭=頭,url=model_uri,json=data_json)如果響應。status_code! =200年:提高異常(f“請求失敗狀態{響應。status_code},{響應。文本}”)返回響應。json()#接受大熊貓DataFrames評分模型數據=pd。DataFrame([{“sepal_length”:5.1,“sepal_width”:3.5,“petal_length”:1.4,“petal_width”:0.2}))score_model(MODEL_VERSION_URI,DATABRICKS_API_TOKEN,數據)#得分一個接受張量的模型數據=np。asarray([[5.1,3.5,1.4,0.2]])score_model(MODEL_VERSION_URI,DATABRICKS_API_TOKEN,數據)

關於輸入數據格式的更多信息接受的服務器(例如,熊貓split-oriented格式),看到的MLflow文檔。