El model flavor de MLflow
empaquete los modelos con sus dependencias y su firma.
El model flavor de MLflow es una lección gratuita de MLOps Academy en CoddyKit. Esta es la lección 2 de 4. Puedes leer la lección completa abajo gratuitamente — luego la practicas en el navegador con un editor de código integrado y un tutor de IA 24/7. Forma parte de la ruta de aprendizaje de MLOps Academy, y tu progreso se sincroniza en la web y la app de CoddyKit. El curso de MLOps Academy incluye 4 lecciones en total.
Más allá de un archivo sin más
Un pickle básico son solo bytes. MLflow envuelve el modelo en una carpeta autodocumentada para que cualquiera pueda cargarlo sin tener que adivinar cómo. 📦
¿Qué es un flavor?
Un flavor de MLflow es un formato conocido, como sklearn o pytorch, que indica a MLflow exactamente cómo guardar y cargar ese modelo.
Un modelo, muchos flavors
Un solo modelo guardado puede incluir varios flavors. Esto permite que distintas herramientas lo carguen a su manera desde el mismo artefacto.
Guarde con un flavor
Utilice el módulo correspondiente para registrar un modelo. Para scikit-learn, llame a mlflow.sklearn.log_model dentro de una ejecución.
import mlflow.sklearn
mlflow.sklearn.log_model(model, name='model')El archivo MLmodel
Cada modelo guardado tiene un archivo YAML MLmodel que enumera sus flavors, su firma y cómo volver a cargarlo. Es la tarjeta de identificación del modelo.
Las dependencias también viajan
MLflow registra las bibliotecas que necesita su modelo en un archivo conda.yaml o de requirements, para que el mismo entorno pueda reconstruirse más adelante.
El flavor pyfunc
La mayoría de los modelos también obtiene el flavor universal pyfunc. Este expone una única llamada predict sencilla, independientemente del framework subyacente. 🔑
Cargar como pyfunc
Cargar mediante pyfunc le proporciona un objeto genérico con predict, por lo que su código de serving permanece igual entre frameworks.
import mlflow.pyfunc
m = mlflow.pyfunc.load_model('runs:/<id>/model')
m.predict(X)Volver a cargar de forma nativa
También puede volver a cargar el modelo en el framework original con el loader correspondiente y obtener el objeto nativo completo en lugar del wrapper genérico.
model = mlflow.sklearn.load_model('runs:/<id>/model')Modelos pyfunc personalizados
¿No encaja ningún flavor integrado? Cree una subclase de PythonModel y escriba su propio predict para envolver cualquier lógica en el formato pyfunc.
class MyModel(mlflow.pyfunc.PythonModel):
def predict(self, ctx, X):
return self.run(X)Por qué es importante
Los flavors hacen que un modelo sea realmente portable: el entrenamiento, el registro y el serving utilizan el mismo formato sin código de integración específico.
Comprobación rápida
Comprobemos cuánto domina los flavors de MLflow.
Resumen
Un modelo de MLflow es una carpeta autodocumentada con flavors, un archivo MLmodel y dependencias fijadas, que puede cargarse de forma nativa o como pyfunc universal. 🎉
Aprende Python con un tutor de IA — gratis
Escribe y ejecuta código real en tu navegador, obtén ayuda instantánea de un tutor de IA disponible 24/7 y continúa donde lo dejaste en la web o en la aplicación.
- Cursos
- 30
- Lecciones
- 120
Preguntas frecuentes
¿La lección «El model flavor de MLflow» es gratis?
Sí — el texto completo de «El model flavor de MLflow» es gratis para leer aquí en la web. Para practicarla de forma interactiva (editor de código integrado y tutor de IA 24/7) y desbloquear el resto del curso de MLOps Academy, actualiza a CoddyKit PRO. El curso de MLOps Academy incluye 4 lecciones en total.
¿Qué aprenderé en «El model flavor de MLflow»?
empaquete los modelos con sus dependencias y su firma. Practicas MLOps Academy con código real que ejecutas directamente en el navegador, y un tutor de IA 24/7 responde tus preguntas mientras trabajas en la lección.
¿Necesito experiencia previa para empezar MLOps Academy?
No se requiere experiencia previa. MLOps Academy en CoddyKit está estructurado para principiantes hasta estudiantes avanzados, así que puedes empezar aquí o desde el inicio y avanzar a tu ritmo. Esta es la lección 2 de 4.
¿Cuánto tiempo toma la lección «El model flavor de MLflow»?
La mayoría de las lecciones de CoddyKit toman alrededor de 5–10 minutos. Cada una es compacta e interactiva, así que avanzas constantemente y retomas exactamente por donde dejaste en la web y la app.
¿Puedo escribir y ejecutar código en esta lección de MLOps Academy?
Sí. Cada lección de MLOps Academy incluye un editor de código integrado, así que escribes y ejecutas código real directamente en tu navegador y obtienes retroalimentación instantánea de IA — sin configuración local necesaria.
Todas las lecciones de este curso
- Serialice con Pickle y Joblib
- El model flavor de MLflow
- Exporte a ONNX para facilitar la portabilidad
- Defina la firma y el esquema de un modelo