日誌、負載、登記和部署MLflow模型

API命令

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

加載之前記錄模型推理或進一步發展,使用mlflow。<模型類型> .load_model (modelpath),在那裏modelpath是下列之一:

• run-relative路徑(如運行:/ {run_id} / {model-path})

• DBFS路徑

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

為選項的完整列表加載MLflow模型,明白了MLflow文檔中引用的構件。

對於Python MLflow模型,使用一個額外的選項mlflow.pyfunc.load_model ()作為一個通用的Python函數加載模型。您可以使用下麵的代碼片段來加載模型和數據分。

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

作為一種替代方法,您可以導出模型作為一個Apache火花UDF用於火花集群上得分,要麼作為批處理作業或實時火花流的工作。

#負載作為一個火花DataFrame輸入數據表input_data=火花。表(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

精確加載模型,您應該確保模型依賴加載到筆記本電腦環境中使用正確的版本。磚運行時的10.5毫升以上,MLflow警告說如果不匹配檢測當前環境和模型之間的依賴關係。

額外的功能來簡化恢複模型依賴性磚中包含運行時11.0毫升以上。在磚運行時的11.0毫升以上,pyfunc味道模型,你可以叫mlflow.pyfunc.get_model_dependencies檢索和下載模型依賴性。這個函數返回一個路徑依賴文件,你可以安裝使用%皮普安裝<文件路徑>。當你加載模型作為PySpark UDF,指定env_manager = " virtualenv "在mlflow.pyfunc.spark_udf調用。這個恢複模型依賴的PySpark UDF和不影響外部環境。

您還可以使用該功能在磚運行時的10.5或低於手動安裝MLflow 1.25.0或以上版本:

%皮普安裝“mlflow > = 1.25.0”

額外的信息關於如何日誌模型依賴性(Python和非Python)和工件,明白了日誌模型依賴。

學習如何日誌模型依賴性和自定義構件模型為:

• 部署模型的依賴性

• 使用自定義Python庫模型

• 包服務定製的構件模型

自動生成的代碼片段MLflow UI

當你登錄一個模型在磚筆記本,磚自動生成的代碼片段,您可以複製並使用加載和運行模式。查看這些代碼片段:

1. 導航到屏幕運行的運行生成的模型。(見查看筆記本的實驗如何顯示屏幕運行。)

2. 滾動到工件部分。

3. 點擊記錄模型的名稱。這會打開一個麵板右側顯示代碼可以使用加載記錄模型和火花或熊貓DataFrames作出預測。

例子

日誌記錄模型的例子,請參閱示例跟蹤機器學習培訓運行示例。對加載記錄推理模型的一個例子,看下麵的例子。