生命周期管理模型統一目錄

需求

1. 統一目錄必須啟用您的工作區中。看到開始使用統一目錄創建一個目錄Metastore統一,使它在一個工作區,並創建一個目錄。如果沒有啟用統一目錄,您仍然可以使用經典工作空間模型注冊

2. 工作區必須連接到一個統一的目錄metastore支持繼承的特權。這適用於所有metastores之後創建8月25日,2022年。如果運行在一個老metastore,按照文檔升級。

3. 你必須能夠訪問運行命令集群提供統一的目錄。

4. 創建新的注冊模型,你需要CREATE_MODEL特權模式,除了使用模式和使用目錄模式和包含它的目錄上的特權。CREATE_MODEL是一個新的模式特權,您可以使用數據瀏覽器UI或格蘭特嗎SQL格蘭特命令,如下所示。

   格蘭特CREATE_MODEL在模式<模式- - - - - -的名字>來<主要>

統一目錄升級培訓工作負載

本節包括指導統一目錄升級現有培訓工作負載。

%皮普安裝- - -升級“mlflow-skinny(磚)> = 2.4.1”dbutils。圖書館。restartPython()

進口mlflowmlflow。set_registry_uri(“databricks-uc”)

從sklearn進口數據集從sklearn.ensemble進口RandomForestClassifier#訓練sklearn虹膜數據集模型X,y=數據集。load_iris(return_X_y=真正的,as_frame=真正的)clf=RandomForestClassifier(max_depth=7)clf。適合(X,y)#注意UC模型名稱遵循這種模式# < catalog_name >, < schema_name >。< model_name >,對應#目錄、模式和模型名稱注冊#在統一目錄下創建的版本#將創建注冊模型如果它不存在autolog_run=mlflow。last_active_run()model_uri=”:/{}/模式”。格式(autolog_run。信息。run_id)mlflow。register_model(model_uri,“prod.ml_team.iris_model”)

從sklearn進口數據集從sklearn.ensemble進口RandomForestClassifier從mlflow.models.signature進口infer_signature與mlflow。start_run():#訓練sklearn虹膜數據集模型X,y=數據集。load_iris(return_X_y=真正的,as_frame=真正的)clf=RandomForestClassifier(max_depth=7)clf。適合(X,y)簽名=infer_signature(X,y)#日誌模型並注冊它在加州大學一個新版本mlflow。sklearn。log_model(sk_model=clf,artifact_path=“模型”,簽名=簽名,registered_model_name=“prod.ml_team.iris_model”,)

在UI視圖模型

權限要求:查看注冊模型及其模型版本在UI中,你所需要的執行特權注冊模式,加上使用模式和使用目錄包含模型的模式和目錄上的特權

你可以查看和管理注冊模型和模型版本統一目錄使用數據瀏覽。

訪問控製模型

注冊信息訪問控製模型統一目錄,看看統一目錄權限和可獲得的對象

管理模型的發布與別名

別名允許您指定一個可變的模型,命名為參考模型在一個注冊到一個特定的版本。

您可以使用別名來指定哪個模型版本部署工作流模型中在給定的環境中訓練。例如,您可以指定當前“冠軍”的模式版本,應該成為大多數生產流量使用別名。然後您可以編寫別名的推理目標的工作負載,比如使用“冠軍”版本進行預測。下麵的流程演示了這種方法。

馬克模型部署使用別名

權限要求:注冊的所有者模型,加上使用模式和使用目錄包含模型的模式和目錄上的特權。

在上麵的模型訓練的例子中,我們生產新的模型版本並注冊到注冊模式下刺激目錄。我們可以更新“冠軍”別名指向我們的新培訓的模式版本,顯示下遊推理工作負載,他們應該使用這個模型版本生產流量進行預測:

從mlflow進口MlflowClient客戶端=MlflowClient()客戶端。set_registered_model_alias(“prod.ml_team.iris_model”,“冠軍”,1)

負荷模型推理

進口mlflow.pyfuncmodel_version_uri=“模型:/ prod.ml_team.iris_model@Champion”champion_version=mlflow。pyfunc。load_model(model_version_uri)champion_version。預測(test_x)

進口mlflow進口請求客戶端=mlflow。跟蹤。MlflowClient()champion_version=客戶端。get_model_version_by_alias(“prod.ml_team.iris_model”,“冠軍”)#更新端點服務當前的“冠軍”版本請求。請求(…)

進口mlflow.pyfunc#負荷模型的版本1“prod.ml_team.iris_model”model_version_uri=“模型:/ prod.ml_team.iris_model / 1”first_version=mlflow。pyfunc。load_model(model_version_uri)first_version。預測(test_x)

在工作區共享模型

隻要你有適當的權限,您可以訪問模型統一從任何工作區目錄。例如,您可以訪問的模型刺激dev工作區目錄,方便生產基線比較新近發展起來的模型。

合作與其他用戶(分享寫權限)注冊模型創建,您必須授予所有權模型的一組包含你自己和你想合作的用戶。合作者也必須有使用目錄和使用模式包含模型的目錄和模式上的特權。看到統一目錄權限和可獲得的對象獲取詳細信息。

注釋版本的模型或模型

權限要求:注冊的所有者模型,加上使用模式和使用目錄包含模型的模式和目錄上的特權。

您可以提供信息模型或模型版本注釋。例如,您可能想要包括的概述問題或信息所使用的方法和算法。

客戶端=MlflowClient()客戶端。update_registered_model(的名字=“<模型名稱>”,描述=“<描述>”)

客戶端=MlflowClient()客戶端。update_model_version(的名字=“<模型名稱>”,版本= <模型- - - - - -版本>,描述=“<描述>”)

重命名一個模型(API)

權限要求:注冊的所有者模型,CREATE_MODEL特權模式包含注冊模型,和使用模式和使用目錄包含模型的模式和目錄上的特權。

重命名一個注冊模型,使用MLflow客戶機APIrename_registered_model ()方法:

客戶端=MlflowClient()客戶端。rename_registered_model(“<模型名稱>”,“< new-model-name >”)

刪除一個模型或者模型版本

權限要求:注冊的所有者模型,加上使用模式和使用目錄包含模型的模式和目錄上的特權。

您可以刪除注冊模型或模型版本注冊模型中使用數據瀏覽界麵或API。

#刪除版本1、2和3的模型客戶端=MlflowClient()版本=(1,2,3]為版本在版本:客戶端。delete_model_version(的名字=“<模型名稱>”,版本=版本)

客戶端=MlflowClient()客戶端。delete_registered_model(的名字=“<模型名稱>”)

列表和搜索模型

你可以注冊模型與MLflow統一目錄的列表search_registered_models ()Python API:

客戶端=MlflowClient()客戶端。search_registered_models()

你也可以搜索一個特定的模型使用名稱和版本上市細節search_model_versions ()方法:

從pprint進口pprint客戶端=MlflowClient()(pprint(mv)為mv在客戶端。search_model_versions(“name = <模型名稱>”)]

例子

這個例子演示了如何使用模型統一目錄構建機器學習應用程序。

模型統一目錄的例子

統一目錄遷移模型和工作流

有關如何遷移模型和工作流統一目錄,看看升級毫升工作流和模型來統一目錄。