管理模型生命周期

使用UI創建或注冊一個模型

在model Registry中注冊模型有兩種方法。您可以注冊一個已記錄到MLflow的現有模型，也可以創建並注冊一個新的空模型，然後將先前記錄的模型分配給它。

使用API注冊一個模型

在model Registry中注冊模型有三種編程方法。所有方法都將模型複製到由MLflow模型注冊中心管理的安全位置。

• 要在MLflow實驗期間記錄模型並將其注冊為指定的名稱，請使用mlflow。< model-flavor > .log_model(…)方法。如果具有該名稱的已注冊模型不存在，該方法將注冊一個新模型，創建Version 1，並返回一個ModelVersionMLflow對象。如果已經存在該名稱的注冊模型，該方法將創建一個新的模型版本並返回版本對象。

  與mlflow．start_run（run_name= <運行-的名字>）作為運行：.．.mlflow．<模型-味道＞.log_model（<模型-味道> = <模型>，artifact_path＝“< model-path >”，registered_model_name＝“<模型名稱>”）

• 在所有實驗運行完成並決定最適合添加到注冊中心的模型後，要使用指定的名稱注冊模型，請使用mlflow.register_model ()方法。方法的運行IDmlruns: URI論點。如果具有該名稱的已注冊模型不存在，該方法將注冊一個新模型，創建Version 1，並返回一個ModelVersionMLflow對象。如果已經存在該名稱的注冊模型，該方法將創建一個新的模型版本並返回版本對象。

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

• 要創建具有指定名稱的新注冊模型，請使用MLflow客戶端APIcreate_registered_model ()方法。如果模型名稱存在，此方法將拋出MLflowException．

  客戶端＝MlflowClient（）結果＝客戶端．create_registered_model（“<模型名稱>”）

方法注冊模型Databricks Terraform提供商而且databricks_mlflow_model．

使用UI轉換模型階段

遵循以下說明來轉換模型的階段。

1. 要顯示可用模型階段和可用選項的列表，在模型版本頁麵中，單擊旁邊的下拉列表階段:並請求或選擇過渡到另一個階段。

   

2. 輸入可選的注釋並單擊好吧．

批準、拒絕或取消模型版本階段轉換請求

沒有過渡階段權限的用戶可以申請過渡階段。請求出現在掛起的請求模型版本頁中的部分:

要批準、拒絕或取消階段轉換請求，請單擊批準，拒絕,或取消鏈接。

轉換請求的創建者還可以取消該請求。

使用API轉換模型階段

使用適當的用戶權限可以將模型版本轉換到新階段。

要將模型版本階段更新到新階段，請使用MLflow客戶端APItransition_model_version_stage ()方法:

客戶端＝MlflowClient（）客戶端．transition_model_version_stage（的名字＝“<模型名稱>”，版本= <模型-版本>，階段＝“< >階段”，描述＝“<描述>”）

的公認值> <階段是:“暫存”|“暫存”，“存檔”|“歸檔”，“生產”|“生產”，“沒有”|“沒有”．

配置批量推理

執行這些步驟創建批量推理筆記本時，筆記本將保存在用戶文件夾下的Batch-Inference文件夾中包含模型名稱的文件夾。你可以根據需要編輯筆記本。

1. 單擊批推理選項卡。

2. 從模型版本下拉菜單，選擇要使用的模型版本。下拉菜單中的前兩項是模型的當前Production和Staging版本(如果存在的話)。當選擇其中一個選項時，筆記本在運行時自動使用“生產”或“登台”版本。當您繼續開發模型時，您不需要更新筆記本。

3. 單擊瀏覽旁邊的按鈕輸入表．的選擇輸入數據對話框出現了。中更改集群計算下拉。

   請注意

   對於支持Unity Catalog的工作空間，使用選擇輸入數據對話框允許你從三個關卡中進行選擇，< catalog_name >, < database_name >。< table_name >．

4. 選擇包含模型輸入數據的表，然後單擊選擇．生成的筆記本會自動導入這些數據並將其發送給模型。如果數據在輸入到模型之前需要任何轉換，您可以編輯生成的notebook。

5. 預測被保存在目錄中的一個文件夾中dbfs: / FileStore / batch-inference．默認情況下，預測將保存在與模型同名的文件夾中。生成的notebook的每次運行都將一個新文件寫入該目錄，並將時間戳附加到名稱後。您還可以選擇不包含時間戳，並使用後續運行的筆記本覆蓋該文件;生成的筆記本中提供了說明。

   的文件夾中輸入新的文件夾名稱，可以更改保存預測的文件夾輸出表位置字段或單擊文件夾圖標瀏覽目錄並選擇不同的文件夾。

   要將預測保存到Unity Catalog中的某個位置，您必須編輯筆記本。有關演示如何訓練使用Unity Catalog中的數據並將結果寫回Unity Catalog的機器學習模型的示例筆記本，請參見使用Unity Catalog數據進行Python ML模型訓練．

使用Delta Live表配置流推斷

命令下的用戶文件夾中保存一個流推理筆記本DLT-Inference文件夾中包含模型名稱的文件夾。你可以根據需要編輯筆記本。

1. 單擊流媒體(Delta Live Tables)選項卡。

2. 從模型版本下拉菜單，選擇要使用的模型版本。下拉菜單中的前兩項是模型的當前Production和Staging版本(如果存在的話)。當選擇其中一個選項時，筆記本在運行時自動使用“生產”或“登台”版本。當您繼續開發模型時，您不需要更新筆記本。

3. 單擊瀏覽旁邊的按鈕輸入表．的選擇輸入數據對話框出現了。中更改集群計算下拉。

   請注意

   對於支持Unity Catalog的工作空間，使用選擇輸入數據對話框允許你從三個關卡中進行選擇，< catalog_name >, < database_name >。< table_name >．

4. 選擇包含模型輸入數據的表，然後單擊選擇．生成的notebook將創建一個數據轉換，該轉換使用輸入表作為源並集成MLflowPySpark推斷UDF進行模型預測。如果數據需要在應用模型之前或之後進行任何額外的轉換，您可以編輯生成的筆記本。

5. 提供輸出Delta Live表名稱。筆記本使用給定的名稱創建一個活動表，並使用它存儲模型預測。您可以根據需要修改生成的記事本以自定義目標數據集—例如:定義一個流直播表作為輸出，添加模式信息或數據質量約束。

6. 你可以選擇創建一個新的Delta Live Tables管道與這個筆記本或添加它添加到現有管道中作為附加的筆記本庫。

配置實時推斷

無服務器實時推理將MLflow機器學習模型公開為可伸縮的REST API端點。若要為模型服務創建無服務器端點，請參見創建和管理無服務器實時推斷端點．

提供反饋

這個功能是預覽版，我們希望得到您的反饋。如需反饋信息，請單擊提供反饋在配置模型推斷對話框中。

關閉所有郵件通知

您可以在“用戶設置”菜單的“模型注冊表設置”選項卡中關閉電子郵件通知:

1. 點擊設置在Databricks工作區的左下角。

2. 點擊用戶設置．

3. 去電子郵件首選項選項卡。

4. 關掉注冊處電子郵件通知模型．

中，管理員可以關閉整個組織的電子郵件通知管理控製台．

發送郵件的最大數量

Model Registry限製每天每個活動發送給每個用戶的電子郵件數量。例如，如果您在一天內收到20封關於為已注冊模型創建的新模型版本的電子郵件，model Registry將發送一封電子郵件，指出已達到每日限製，並且直到第二天才會發送關於該事件的其他電子郵件。

若要增加所允許的電子郵件數量的限製，請與Databricks代表聯係。

使用UI注釋模型或模型版本

Databricks UI提供了幾種注釋模型和模型版本的方法。您可以使用描述或注釋添加文本信息，並且可以添加可搜索的鍵值標記．描述和標簽可用於模型和模型版本;注釋隻適用於模型版本。

• 描述旨在提供關於模型的信息。

• 注釋提供了一種在模型版本上維護關於活動的持續討論的方法。

• 標記讓您可以自定義模型元數據，從而更容易找到特定的模型。

編輯或刪除模型或模型版本的標記

控件中的圖標可編輯或刪除現有標記行動列。

使用API注釋模型版本

要更新模型版本描述，請使用MLflow客戶端APIupdate_model_version ()方法:

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>”）

要為已注冊的模型或模型版本設置或更新標記，請使用MLflow客戶端API“set_registered_model_tag()”)或“set_model_version_tag()”方法:

客戶端＝MlflowClient（）客戶端．set_registered_model_tag（)（的名字＝“<模型名稱>”，關鍵＝“<鍵值>”，標簽＝“<標簽值>”）

客戶端＝MlflowClient（）客戶端．set_model_version_tag（)（的名字＝“<模型名稱>”，版本= <模型-版本>，關鍵＝“<鍵值>”，標簽＝“<標簽值>”）

使用UI搜索模型

單擊，顯示所有已注冊的型號模型在側欄中。

要搜索特定的模型，請在搜索框中輸入文本。您可以輸入模型的名稱或名稱的任何部分:

你也可以在標簽上搜索。按如下格式輸入標簽:標簽。<關鍵> = <值>．要搜索多個標記，請使用和操作符。

方法可以在模型名稱和標記上進行搜索MLflow搜索語法．例如:

使用API搜索模型

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

如果你有設置標簽在您的模型上，您還可以通過這些標記進行搜索search_registered_models ()．

打印（f“查找具有特定標記值的已注冊模型”）為米在客戶端．search_registered_models（f“tags. <鍵值> = ' <標簽值>“”)：pprint（dict（米)，縮進＝4）

您還可以使用MLflow客戶端API搜索特定的模型名稱並列出其版本詳細信息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>”）]

這個輸出:

{'creation_timestamp': 1582671933246，“current_stage”:“生產”,“包含100棵決策樹的隨機森林模型”“受過scikit-learn訓練”，“last_updated_timestamp”:1582671960712,“名稱”:“sk-learn-random-forest-reg-model”,“run_id”:“ae2cc01346de45f79a44a320aab1797b”,“源”:“。/ mlruns / 0 / ae2cc01346de45f79a44a320aab1797b /工件/ sklearn-model ',“狀態”:“準備好了”,“status_message”:沒有,“user_id”:沒有,'version': 1}{'creation_timestamp': 1582671960628，“current_stage”:“沒有”,“描述”:沒有,“last_updated_timestamp”:1582671960628,“名稱”:“sk-learn-random-forest-reg-model”,“run_id”:“d994f18d09c64c148e62a785052e6723”,“源”:“。/ mlruns / 0 / d994f18d09c64c148e62a785052e6723 /工件/ sklearn-model ',“狀態”:“準備好了”,“status_message”:沒有,“user_id”:沒有,'version': 2}

使用UI刪除模型版本或模型

刪除模型版本。

1. 點擊模型在側欄中。

2. 單擊模型名稱。

3. 單擊模型版本。

4. 點擊在屏幕的右上角，選擇刪除從下拉菜單中。

刪除一個模型:

1. 點擊模型在側欄中。

2. 單擊模型名稱。

3. 點擊在屏幕的右上角，選擇刪除從下拉菜單中。

使用API刪除模型版本或模型

#刪除模型的版本1、2和3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>”）