管理模型生命周期

使用UI创建或注册一个模型

在model Registry中注册模型有两种方法。您可以注册一个已记录到MLflow的现有模型，也可以创建并注册一个新的空模型，然后将先前记录的模型分配给它。

使用API注册一个模型

在model Registry中注册模型有三种编程方法。所有方法都将模型复制到由MLflow模型注册中心管理的安全位置。

• 要在MLflow实验期间记录模型并将其注册为指定的名称，请使用mlflow。< model-flavor > .log_model(…)方法。如果具有该名称的已注册模型不存在，该方法将注册一个新模型，创建Version 1，并返回一个ModelVersionMLflow对象。如果已经存在该名称的注册模型，该方法将创建一个新的模型版本并返回版本对象。

  与mlflow．start_run（run_name= <运行-的名字>）作为运行：.．.mlflow．<模型-味道>。log_model（<模型-味道> = <模型>，artifact_path＝“< model-path >”，registered_model_name＝“<模型名称>”）

• 在所有实验运行完成并决定最适合添加到注册中心的模型后，要使用指定的名称注册模型，请使用mlflow.register_model ()方法。方法的运行IDmlruns: URI论点。如果具有该名称的已注册模型不存在，该方法将注册一个新模型，创建Version 1，并返回一个ModelVersionMLflow对象。如果已经存在该名称的注册模型，该方法将创建一个新的模型版本并返回版本对象。

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

• 要创建具有指定名称的新注册模型，请使用MLflow客户端APIcreate_registered_model ()方法。如果模型名称存在，此方法将抛出MLflowException．

  客户端＝MlflowClient（）结果＝客户端．create_registered_model（“<模型名称>”）

方法注册模型Databricks Terraform提供商而且databricks_mlflow_model．

使用UI转换模型阶段

遵循以下说明来转换模型的阶段。

1. 要显示可用模型阶段和可用选项的列表，在模型版本页面中，单击旁边的下拉列表阶段:并请求或选择过渡到另一个阶段。

   

2. 输入可选的注释并单击好吧．

批准、拒绝或取消模型版本阶段转换请求

没有过渡阶段权限的用户可以申请过渡阶段。请求出现在挂起的请求模型版本页中的部分:

要批准、拒绝或取消阶段转换请求，请单击批准，拒绝,或取消链接。

转换请求的创建者还可以取消该请求。

使用API转换模型阶段

使用适当的用户权限可以将模型版本转换到新阶段。

要将模型版本阶段更新到新阶段，请使用MLflow客户端APItransition_model_version_stage ()方法:

客户端＝MlflowClient（）客户端．transition_model_version_stage（的名字＝“<模型名称>”，版本= <模型-版本>，阶段＝“< >阶段”，描述＝“<描述>”）

的公认值> <阶段是:“暂存”|“暂存”，“存档”|“归档”，“生产”|“生产”，“没有”|“没有”．

配置批量推理

执行这些步骤创建批量推理笔记本时，笔记本将保存在用户文件夹下的Batch-Inference文件夹中包含模型名称的文件夹。你可以根据需要编辑笔记本。

1. 单击批推理选项卡。

2. 从模型版本下拉菜单，选择要使用的模型版本。下拉菜单中的前两项是模型的当前Production和Staging版本(如果存在的话)。当选择其中一个选项时，笔记本在运行时自动使用“生产”或“登台”版本。当您继续开发模型时，您不需要更新笔记本。

3. 单击浏览旁边的按钮输入表．的选择输入数据对话框出现了。中更改集群计算下拉。

   请注意

   对于支持Unity Catalog的工作空间，使用选择输入数据对话框允许你从三个关卡中进行选择，< catalog_name >, < database_name >。< table_name >．

4. 选择包含模型输入数据的表，然后单击选择．生成的笔记本会自动导入这些数据并将其发送给模型。如果数据在输入到模型之前需要任何转换，您可以编辑生成的notebook。

5. 预测被保存在目录中的一个文件夹中dbfs: / FileStore / batch-inference．默认情况下，预测将保存在与模型同名的文件夹中。生成的notebook的每次运行都将一个新文件写入该目录，并将时间戳附加到名称后。您还可以选择不包含时间戳，并使用后续运行的笔记本覆盖该文件;生成的笔记本中提供了说明。

   的文件夹中输入新的文件夹名称，可以更改保存预测的文件夹输出表位置字段或单击文件夹图标浏览目录并选择不同的文件夹。

   要将预测保存到Unity Catalog中的某个位置，您必须编辑笔记本。有关演示如何训练使用Unity Catalog中的数据并将结果写回Unity Catalog的机器学习模型的示例笔记本，请参见使用Unity Catalog数据进行Python ML模型训练．

使用Delta Live表配置流推断

命令下的用户文件夹中保存一个流推理笔记本DLT-Inference文件夹中包含模型名称的文件夹。你可以根据需要编辑笔记本。

1. 单击流媒体(Delta Live Tables)选项卡。

2. 从模型版本下拉菜单，选择要使用的模型版本。下拉菜单中的前两项是模型的当前Production和Staging版本(如果存在的话)。当选择其中一个选项时，笔记本在运行时自动使用“生产”或“登台”版本。当您继续开发模型时，您不需要更新笔记本。

3. 单击浏览旁边的按钮输入表．的选择输入数据对话框出现了。中更改集群计算下拉。

   请注意

   对于支持Unity Catalog的工作空间，使用选择输入数据对话框允许你从三个关卡中进行选择，< catalog_name >, < database_name >。< table_name >．

4. 选择包含模型输入数据的表，然后单击选择．生成的notebook将创建一个数据转换，该转换使用输入表作为源并集成MLflowPySpark推断UDF进行模型预测。如果数据需要在应用模型之前或之后进行任何额外的转换，您可以编辑生成的笔记本。

5. 提供输出Delta Live表名称。笔记本使用给定的名称创建一个活动表，并使用它存储模型预测。您可以根据需要修改生成的记事本以自定义目标数据集—例如:定义一个流直播表作为输出，添加模式信息或数据质量约束。

6. 你可以选择创建一个新的Delta Live Tables管道与这个笔记本或添加它添加到现有管道中作为附加的笔记本库。

配置实时推断

1. 在配置模型推断对话框中，单击实时选项卡。

2. 如果模型未启用服务，则单击支持服务．的服务选项卡的注册模型页面出现,状态显示为Pending。几分钟后，状态更改为“就绪”。

   如果已启用服务，请单击查看现有实时推理显示服务选项卡．

提供反馈

这个功能是预览版，我们希望得到您的反馈。如需反馈信息，请单击提供反馈在配置模型推断对话框中。

关闭所有邮件通知

您可以在“用户设置”菜单的“模型注册表设置”选项卡中关闭电子邮件通知:

1. 点击设置在Databricks工作区的左下角。

2. 点击用户设置．

3. 去电子邮件首选项选项卡。

4. 关掉注册处电子邮件通知模型．

中，管理员可以关闭整个组织的电子邮件通知管理控制台．

发送邮件的最大数量

Model Registry限制每天每个活动发送给每个用户的电子邮件数量。例如，如果您在一天内收到20封关于为已注册模型创建的新模型版本的电子邮件，model Registry将发送一封电子邮件，指出已达到每日限制，并且直到第二天才会发送关于该事件的其他电子邮件。

若要增加所允许的电子邮件数量的限制，请与Databricks代表联系。

使用UI注释模型或模型版本

Databricks UI提供了几种注释模型和模型版本的方法。您可以使用描述或注释添加文本信息，并且可以添加可搜索的键值标记．描述和标签可用于模型和模型版本;注释只适用于模型版本。

• 描述旨在提供关于模型的信息。

• 注释提供了一种在模型版本上维护关于活动的持续讨论的方法。

• 标记让您可以自定义模型元数据，从而更容易找到特定的模型。

编辑或删除模型或模型版本的标记

控件中的图标可编辑或删除现有标记行动列。

使用API注释模型版本

要更新模型版本描述，请使用MLflow客户端APIupdate_model_version ()方法:

客户端＝MlflowClient（）客户端．update_model_version（的名字＝“<模型名称>”，版本= <模型-版本>，描述＝“<描述>”）

要为已注册的模型或模型版本设置或更新标记，请使用MLflow客户端API“set_registered_model_tag()”)或“set_model_version_tag()”方法:

客户端＝MlflowClient（）客户端．set_registered_model_tag()（的名字＝“<模型名称>”，关键＝“<键值>”，标签＝“<标签值>”）

客户端＝MlflowClient（）客户端．set_model_version_tag()（的名字＝“<模型名称>”，版本= <模型-版本>，关键＝“<键值>”，标签＝“<标签值>”）

使用UI搜索模型

单击，显示所有已注册的型号模型在侧栏中。

要搜索特定的模型，请在搜索框中输入文本。您可以输入模型的名称或名称的任何部分:

你也可以在标签上搜索。按如下格式输入标签:标签。<关键> = <值>．要搜索多个标记，请使用和操作符。

方法可以在模型名称和标记上进行搜索MLflow搜索语法．例如:

使用API搜索模型

您可以使用MLflow Client API方法在Model Registry中搜索已注册的模型search_registered_models ()

如果你有设置标签在您的模型上，您还可以通过这些标记进行搜索search_registered_models ()．

打印（f“查找具有特定标记值的已注册模型”）为米在客户端．search_registered_models（f“tags. <键值> = ' <标签值>“”)：pprint（dict（米)，缩进＝4）

您还可以使用MLflow客户端API搜索特定的模型名称并列出其版本详细信息search_model_versions ()方法:

从pprint进口pprint客户端＝MlflowClient（）［pprint（mv）为mv在客户端．search_model_versions（“name = <模型名称>”)]

这个输出:

{'creation_timestamp': 1582671933246，“current_stage”:“生产”,“包含100棵决策树的随机森林模型”“受过scikit-learn训练”，“last_updated_timestamp”:1582671960712,“名称”:“sk-learn-random-forest-reg-model”,“run_id”:“ae2cc01346de45f79a44a320aab1797b”,“源”:“。/ mlruns / 0 / ae2cc01346de45f79a44a320aab1797b /工件/ sklearn-model ',“状态”:“准备好了”,“status_message”:没有,“user_id”:没有,'version': 1}{'creation_timestamp': 1582671960628，“current_stage”:“没有”,“描述”:没有,“last_updated_timestamp”:1582671960628,“名称”:“sk-learn-random-forest-reg-model”,“run_id”:“d994f18d09c64c148e62a785052e6723”,“源”:“。/ mlruns / 0 / d994f18d09c64c148e62a785052e6723 /工件/ sklearn-model ',“状态”:“准备好了”,“status_message”:没有,“user_id”:没有,'version': 2}

使用UI删除模型版本或模型

删除模型版本。

1. 点击模型在侧栏中。

2. 单击模型名称。

3. 单击模型版本。

4. 点击在屏幕的右上角，选择删除从下拉菜单中。

删除一个模型:

1. 点击模型在侧栏中。

2. 单击模型名称。

3. 点击在屏幕的右上角，选择删除从下拉菜单中。

使用API删除模型版本或模型

#删除模型的版本1、2和3客户端＝MlflowClient（）版本＝［1，2，3.］为版本在版本：客户端．delete_model_version（的名字＝“<模型名称>”，版本＝版本）

客户端＝MlflowClient（）客户端．delete_registered_model（的名字＝“<模型名称>”）