记录、加载、注册和部署MLflow模型

API命令

将模型记录到MLflow跟踪服务器,使用mlflow。<模型类型> .log_model(模型,…)．

要加载先前记录的模型以进行推断或进一步开发，请使用mlflow。<模型类型> .load_model (modelpath),在那里modelpath是下列之一:

• 运行相对路径(例如运行:/ {run_id} / {model-path}）

• DBFS路径

• 一个注册模式路径(例如模型:/ {model_name} / {model_stage}）.

有关加载MLflow模型的选项的完整列表，请参见在MLflow文档中引用工件．

对于Python MLflow模型，另一个选项是使用mlflow.pyfunc.load_model ()将模型作为通用Python函数加载。您可以使用下面的代码片段加载模型并对数据点进行评分。

模型＝mlflow．pyfunc．load_model（model_path）模型．预测（model_input）

作为另一种选择，您可以将模型导出为Apache Spark UDF，用于在Spark集群上进行评分，可以作为批处理作业，也可以作为实时作业火花流的工作。

#将输入数据表加载为Spark DataFrameinput_data＝火花．表格（input_table_name）model_udf＝mlflow．pyfunc．spark_udf（model_path）df＝input_data．withColumn（“预测”，model_udf（)）

日志模型依赖关系

为了准确地加载模型，您应该确保将模型依赖项以正确的版本加载到notebook环境中。在Databricks Runtime 10.5 ML及以上版本中，如果在当前环境和模型依赖项之间检测到不匹配，MLflow会警告您。

Databricks Runtime 11.0 ML及以上版本中包含了简化恢复模型依赖关系的附加功能。在Databricks运行时11.0 ML及以上，用于pyfunc口味模型，你可以叫mlflow.pyfunc.get_model_dependencies检索和下载模型依赖项。此函数返回依赖项文件的路径，然后使用该路径进行安装%皮普安装<文件路径>．当您将模型作为PySpark UDF加载时，指定env_manager = " virtualenv "在mlflow.pyfunc.spark_udf调用。这将恢复PySpark UDF上下文中的模型依赖关系，并且不会影响外部环境。

您也可以通过手动安装在Databricks Runtime 10.5或以下版本中使用此功能MLflow 1.25.0或以上版本：

％皮普安装“mlflow > = 1.25.0”

有关如何记录模型依赖关系(Python和非Python)和工件的其他信息，请参见日志模型依赖关系．

了解如何为模型服务记录模型依赖关系和自定义工件:

• 使用依赖项部署模型

• 使用无服务器实时推理的自定义Python库

• 打包无服务器实时推理的自定义工件和文件

MLflow UI中自动生成的代码片段

当您在Databricks笔记本中记录模型时，Databricks会自动生成代码片段，您可以复制这些代码片段并使用它们来加载和运行模型。查看这些代码片段:

1. 导航到生成模型的运行的Runs屏幕。(见查看笔记本实验查看如何显示“运行”界面。)

2. 滚动到工件部分。

3. 单击记录模型的名称。右边会打开一个面板，显示可以用来加载日志模型并在Spark或pandas DataFrames上进行预测的代码。

例子

有关日志记录模型的示例，请参见中的示例跟踪机器学习训练运行实例．有关加载日志模型进行推断的示例，请参阅下面的示例。