Modelregister og versionering
Registrering af modeller, staging (Staging/Production), modelaliaser, indlæsning efter version.
Modelregister og versionering er en gratis Lær AI med Python-lektion på CoddyKit. Dette er lektion 2 af 4. Du kan læse alle 3 lektioner i dette læringsspor gratis i deres fulde længde — derefter låser CoddyKit PRO alle lektioner op samt praktiske øvelser med en indbygget kodeeditor og en AI-underviser døgnet rundt. Den er en del af læringsforløbet i Lær AI med Python, og dine fremskridt synkroniseres på tværs af nettet og CoddyKit-appen. Lær AI med Python-kurset indeholder 4 lektioner i alt.
Hvad er modelregisteret
MLflow Model Registry er et centralt lager til dine modeller. Det holder styr på navngivne modeller, deres versioner og livscyklusstadier, så et team altid ved, hvilken model der er i produktion, og hvordan den kom dertil.
Hvorfor versionsstyring er vigtig
Modeller trænes konstant igen. Versionsstyring giver hver ny træning et nummer, lader dig rulle tilbage med det samme, hvis en ny model opfører sig forkert, og knytter hver version til den kørsel, der frembragte den, så hele ophavet er dokumenteret.
Registrering af en model
mlflow.register_model tager en URI til en logget model og et navn og opretter version 1 (eller den næste version) i modelregisteret.
import mlflow
result = mlflow.register_model(
model_uri="runs:/<run_id>/model",
name="churn_classifier"
)
print("Version:", result.version)Registrering ved logning
Du kan også registrere modellen direkte, når du logger den, ved at angive registered_model_name. Det opretter automatisk en ny version ved hver kørsel.
mlflow.sklearn.log_model(
model,
artifact_path="model",
registered_model_name="churn_classifier"
)Livscyklusstadier
Hver version bevæger sig gennem stadierne: None -> Staging (test) -> Production (aktiv) -> Archived. Stadier adskiller spørgsmålet "hvilken version" fra "hvilken version leveres", så promovering bliver en ændring af metadata og ikke en ny implementering.
MlflowClient
Programmatisk arbejde med modelregisteret foregår via MlflowClient.
from mlflow.tracking import MlflowClient
client = MlflowClient()Skift mellem stadier
transition_model_version_stage promoverer en version. Flyt den til Staging til kvalitetssikring og derefter til Production, når den er valideret.
client.transition_model_version_stage(
name="churn_classifier",
version=3,
stage="Production"
)Indlæsning efter stadie
Kode, der leverer modellen, kan indlæse "det, der ligger i Production" uden at fastlåse et versionsnummer, så promovering af en ny version straks opdaterer det, der leveres.
import mlflow.pyfunc
model = mlflow.pyfunc.load_model(
"models:/churn_classifier/Production"
)Modelaliaser (MLflow 2.x)
MLflow 2.x introducerede aliaser: ændringsbare, navngivne henvisninger som @champion eller @challenger, der knyttes til en version. De er mere fleksible end de faste stadienavne og er den anbefalede moderne tilgang.
client.set_registered_model_alias(
name="churn_classifier",
alias="champion",
version=3
)Indlæsning efter alias
Referer til en model via dens alias med @-syntaksen, så en ny tildeling af aliaset straks omdirigerer alle forbrugere.
model = mlflow.pyfunc.load_model(
"models:/churn_classifier@champion"
)Stadier kontra aliaser
- Stadier: fast sæt (Staging/Production/Archived), enkel livscyklus.
- Aliaser: valgfrit navn, flere aliaser pr. model, anbefales i MLflow 2.x.
Nye projekter bør foretrække aliaser på grund af fleksibiliteten.
Hurtigt tjek
Test din viden om modelregisteret.
Opsummering
Du brugte MLflow Model Registry: register_model opretter versioner, MlflowClient.transition_model_version_stage flytter dem gennem Staging/Production, og du indlæser efter stadie eller via et alias (MLflow 2.x), så leveringen opdateres uden kodeændringer. Næste emne: opbygning af reproducerbare arbejdsgange.
Lær Python med en AI-underviser — gratis
Skriv og kør rigtig kode i din browser, få øjeblikkelig hjælp fra en AI-underviser døgnet rundt, og fortsæt, hvor du slap, på web eller i appen.
- Kurser
- 53
- Lektioner
- 225
Ofte stillede spørgsmål
Er lektionen “Modelregister og versionering” gratis?
Ja — alle 3 lektioner i læringssporet Lær AI med Python, inklusive “Modelregister og versionering”, kan læses gratis i deres fulde længde her på webstedet. Derefter låser CoddyKit PRO alle lektioner op samt interaktive øvelser med en indbygget kodeeditor og en AI-underviser døgnet rundt. Lær AI med Python-kurset indeholder 4 lektioner i alt.
Hvad lærer jeg i “Modelregister og versionering”?
Registrering af modeller, staging (Staging/Production), modelaliaser, indlæsning efter version. Du øver dig i Lær AI med Python med praktisk kode, som du kører direkte i browseren, og en AI-vejleder døgnet rundt besvarer dine spørgsmål, mens du arbejder dig gennem lektionen.
Skal jeg have erfaring for at begynde på Lær AI med Python?
Der kræves ingen tidligere erfaring. Lær AI med Python på CoddyKit er tilrettelagt for både begyndere og øvede, så du kan starte her eller fra begyndelsen og lære i dit eget tempo. Dette er lektion 2 af 4.
Hvor lang tid tager lektionen “Modelregister og versionering”?
De fleste CoddyKit-lektioner tager cirka 5–10 minutter. Hver lektion er kort og interaktiv, så du gør løbende fremskridt og kan fortsætte, hvor du slap – på både web og app.
Kan jeg skrive og køre kode i denne Lær AI med Python-lektion?
Ja. Alle Lær AI med Python-lektioner har en indbygget kodeeditor, så du kan skrive og køre rigtig kode direkte i din browser og få øjeblikkelig feedback fra AI – uden lokal opsætning.
Alle lektioner i dette kursus
- Eksperimenttracking med MLflow
- Modelregister og versionering
- Bygning af reproducerbare ML-pipelines
- Overvågning af modelperformance i produktion