模型统一目录的例子

进口熊猫作为pdwind_farm_data=pd。read_csv(“https://github.com/dbczumar/model-registry-demo-notebook/raw/master/dataset/windfarm_data.csv”,index_col=0)defget_training_data():training_data=pd。DataFrame(wind_farm_data(“2014-01-01”:“2018-01-01”])X=training_data。下降(列=“权力”)y=training_data(“权力”]返回X,ydefget_validation_data():validation_data=pd。DataFrame(wind_farm_data(“2018-01-01”:“2019-01-01”])X=validation_data。下降(列=“权力”)y=validation_data(“权力”]返回X,ydefget_weather_and_forecast():format_date=λpd_date:pd_date。日期()。strftime(“% Y - % m% d”)今天=pd。时间戳(“今天”)。正常化()week_ago=今天- - - - - -pd。Timedelta(天=5)week_later=今天+pd。Timedelta(天=5)past_power_output=pd。DataFrame(wind_farm_data)[format_date(week_ago):format_date(今天)]weather_and_forecast=pd。DataFrame(wind_farm_data)[format_date(week_ago):format_date(week_later)]如果len(weather_and_forecast)<10:past_power_output=pd。DataFrame(wind_farm_data)。iloc(- - - - - -10:- - - - - -5]weather_and_forecast=pd。DataFrame(wind_farm_data)。iloc(- - - - - -10:]返回weather_and_forecast。下降(列=“权力”),past_power_output(“权力”]

进口mlflowmlflow。set_registry_uri(“databricks-uc”)

从tensorflow.keras.models进口顺序从tensorflow.keras.layers进口密集的MODEL_NAME=“main.default.wind_forecasting”deftrain_and_register_keras_model(X,y):与mlflow。start_run():模型=顺序()模型。添加(密集的(One hundred.,input_shape=(X。形状(- - - - - -1),),激活=“relu”,的名字=“hidden_layer”))模型。添加(密集的(1))模型。编译(损失=“mse”,优化器=“亚当”)模型。适合(X,y,时代=One hundred.,batch_size=64年,validation_split=。2)example_input=X[:10]。to_numpy()mlflow。tensorflow。log_model(模型,artifact_path=“模型”,input_example=example_input,registered_model_name=MODEL_NAME)返回模型X_train,y_train=get_training_data()模型=train_and_register_keras_model(X_train,y_train)

进口mlflow.pyfuncmodel_version_uri=“模型:/{model_name}/ 1”。格式(model_name=MODEL_NAME)打印(“从URI加载注册模型版本:{model_uri}’”。格式(model_uri=model_version_uri))model_version_1=mlflow。pyfunc。load_model(model_version_uri)model_champion_uri=“模型:/{model_name}@Champion”。格式(model_name=MODEL_NAME)打印(“从URI加载注册模型版本:{model_uri}’”。格式(model_uri=model_champion_uri))champion_model=mlflow。pyfunc。load_model(model_champion_uri)

从mlflow.tracking进口MlflowClientdef情节(model_name,model_alias,model_version,power_predictions,past_power_output):进口matplotlib.dates作为mdat从matplotlib进口pyplot作为plt指数=power_predictions。指数无花果=plt。图(figsize=(11,7))斧头=无花果。add_subplot(111年)斧头。set_xlabel(“日期”,大小=20.,labelpad=20.)斧头。set_ylabel(“权力\ n输出\ n(MW)”,大小=20.,labelpad=60,旋转=0)斧头。tick_params(轴=“两个”,哪一个=“主要的”,labelsize=17)斧头。xaxis。set_major_formatter(mdat。dateformat(' % m /% d”))斧头。情节(指数[:len(past_power_output)),past_power_output,标签=“真正的”,颜色=“红色”,α=0.5,线宽=4)斧头。情节(指数,power_predictions。挤压(),”——“,标签=“预测”% s”\ n的别名% s”(版本% d)”%(model_name,model_alias,model_version),颜色=“蓝色”,线宽=3)斧头。set_ylim(ymin=0,ymax=马克斯(3500年,int(马克斯(power_predictions。值)*1.3)))斧头。传说(字形大小=14)plt。标题(“风电场输出功率预测”,大小=24,垫=20.)plt。tight_layout()显示(plt。显示())defforecast_power(model_name,model_alias):进口熊猫作为pd客户端=MlflowClient()model_version=客户端。get_model_version_by_alias(model_name,model_alias)。版本model_uri=“模型:/{model_name}@{model_alias}”。格式(model_name=MODEL_NAME,model_alias=model_alias)模型=mlflow。pyfunc。load_model(model_uri)weather_data,past_power_output=get_weather_and_forecast()power_predictions=pd。DataFrame(模型。预测(weather_data))power_predictions。指数=pd。to_datetime(weather_data。指数)打印(power_predictions)情节(model_name,model_alias,int(model_version),power_predictions,past_power_output)forecast_power(MODEL_NAME,“冠军”)

客户端=MlflowClient()客户端。update_registered_model(的名字=MODEL_NAME,描述=“这个模型预测风电场的功率输出基于气象数据。天气数据包括三个特点:风速、风向、气温。”)客户端。update_model_version(的名字=MODEL_NAME,版本=1,描述=“这个模型版本使用TensorFlow Keras。这是一个与一个隐藏层前馈神经网络。”)

客户端=MlflowClient()model_version_infos=客户端。search_model_versions(“name = '% s’”%MODEL_NAME)new_model_version=马克斯([model_version_info。版本为model_version_info在model_version_infos])

客户端。update_model_version(的名字=MODEL_NAME,版本=new_model_version,描述=“这版本是一个随机森林模型包含100决策树在scikit-learn训练。”)

客户端。set_registered_model_alias(的名字=MODEL_NAME,别名=“挑战者”,版本=new_model_version)forecast_power(MODEL_NAME,“挑战者”)

客户端。set_registered_model_alias(的名字=MODEL_NAME,别名=“冠军”,版本=new_model_version)forecast_power(MODEL_NAME,“冠军”)

客户端。delete_model_version(的名字=MODEL_NAME,版本=1,)

客户端=MlflowClient()客户端。delete_registered_model(的名字=MODEL_NAME)