Mallirekisteri ja versiointi
Mallien rekisteröinti, vaiheistus (Staging/Production), mallialiakset, lataaminen version perusteella.
Mallirekisteri ja versiointi on ilmainen Oppikaa tekoälyä Pythonilla-oppitunti CoddyKitissä. Tämä on oppitunti 2/4. Voit lukea tästä oppimispolusta kokonaan mitkä tahansa 3 oppituntia ilmaiseksi — sen jälkeen CoddyKit PRO avaa kaikki oppitunnit sekä käytännön harjoittelun sisäänrakennetulla koodieditorilla ja ympäri vuorokauden toimivalla tekoälytuutorilla. Oppitunti kuuluu Oppikaa tekoälyä Pythonilla-oppimispolkuun, ja edistymisesi synkronoituu verkon ja CoddyKit-sovelluksen välillä. Oppikaa tekoälyä Pythonilla-kurssilla on yhteensä 4 oppituntia.
Mikä on mallirekisteri
MLflow Model Registry on mallien keskitetty tallennuspaikka. Se seuraa nimettyjä malleja, niiden versioita ja elinkaarivaiheita, jotta tiimi tietää aina, mikä malli on tuotannossa ja miten se on sinne päätynyt.
Miksi versiointi on tärkeää
Malleja koulutetaan jatkuvasti uudelleen. Versiointi antaa jokaiselle uudelle koulutukselle numeron, mahdollistaa nopeasti palaamisen aiempaan versioon, jos uusi malli toimii virheellisesti, ja yhdistää jokaisen version sen tuottaneeseen ajoon koko elinkaaren jäljittämiseksi.
Mallin rekisteröiminen
mlflow.register_model saa parametrikseen lokiin kirjatun mallin URI:n ja nimen ja luo rekisteriin version 1:n tai seuraavan version.
import mlflow
result = mlflow.register_model(
model_uri="runs:/<run_id>/model",
name="churn_classifier"
)
print("Version:", result.version)Rekisteröiminen lokiin kirjaamisen yhteydessä
Voitte rekisteröidä mallin myös suoraan sitä lokiin kirjattaessa välittämällä registered_model_name-parametrin. Tällöin jokaisella ajolla luodaan automaattisesti uusi versio.
mlflow.sklearn.log_model(
model,
artifact_path="model",
registered_model_name="churn_classifier"
)Elinkaarivaiheet
Jokainen versio etenee vaiheiden kautta: None -> Staging (testaus) -> Production (tuotanto) -> Archived (arkistoitu). Vaiheiden ansiosta "mikä versio" voidaan erottaa kysymyksestä "mikä versio palvelee liikennettä", joten käyttöönotto on metatietojen muutos eikä uusi käyttöönotto.
MlflowClient
Rekisterin ohjelmalliset toiminnot suoritetaan MlflowClient-luokan kautta.
from mlflow.tracking import MlflowClient
client = MlflowClient()Vaiheen vaihtaminen
transition_model_version_stage siirtää version seuraavaan vaiheeseen. Siirtäkää se Staging-vaiheeseen laadunvarmistusta varten ja myöhemmin Production-vaiheeseen, kun se on validoitu.
client.transition_model_version_stage(
name="churn_classifier",
version=3,
stage="Production"
)Lataaminen vaiheen perusteella
Palvelukoodi voi ladata "minkä tahansa Production-vaiheessa olevan" mallin ilman kovakoodausta versionumeroon. Näin uuden version käyttöönotto päivittää välittömästi tarjottavan mallin.
import mlflow.pyfunc
model = mlflow.pyfunc.load_model(
"models:/churn_classifier/Production"
)Mallialiaset (MLflow 2.x)
MLflow 2.x toi käyttöön aliakset: versioon liitetyt muokattavat nimetyt osoittimet, kuten @champion tai @challenger. Ne ovat joustavampia kuin kiinteät vaihenimet ja ovat suositeltu nykyinen toimintatapa.
client.set_registered_model_alias(
name="churn_classifier",
alias="champion",
version=3
)Lataaminen aliaksen perusteella
Viitatkaa malliin sen aliaksella käyttämällä @-syntaksia. Kun alias osoitetaan uudelleen uuteen versioon, kaikki kuluttajat ohjautuvat välittömästi uuteen versioon.
model = mlflow.pyfunc.load_model(
"models:/churn_classifier@champion"
)Vaiheet ja aliakset
- Vaiheet: kiinteä joukko (Staging/Production/Archived), yksinkertainen elinkaari.
- Aliakset: mikä tahansa mukautettu nimi, useita aliaksia mallia kohti, suositeltuja MLflow 2.x:ssa.
Uusissa projekteissa kannattaa suosia aliaksia niiden joustavuuden vuoksi.
Pikatesti
Testatkaa mallirekisteriä koskevat tietonne.
Kertaus
Käytitte MLflow Model Registry -rekisteriä: register_model luo versioita, MlflowClient.transition_model_version_stage siirtää niitä Staging- ja Production-vaiheiden välillä, ja malli ladataan vaiheen tai aliaksen (MLflow 2.x) perusteella. Näin palvelussa käytettävä malli päivittyy ilman koodimuutoksia. Seuraavaksi rakennetaan toistettavia putkia.
Opi Python tekoälytuutorin avulla — ilmaiseksi
Kirjoita ja suorita oikeaa koodia selaimessa, saa välitöntä apua tekoälytuutorilta ympäri vuorokauden ja jatka siitä, mihin jäit, verkossa tai sovelluksessa.
- Kurssit
- 53
- Oppitunnit
- 225
Usein kysytyt kysymykset
Onko oppitunti ”Mallirekisteri ja versiointi” ilmainen?
Kyllä — voit lukea täällä verkossa kokonaan ilmaiseksi mitkä tahansa Oppikaa tekoälyä Pythonilla-oppimispolun 3 oppituntia, myös oppitunnin “Mallirekisteri ja versiointi”. Sen jälkeen CoddyKit PRO avaa kaikki oppitunnit sekä interaktiiviset harjoitukset sisäänrakennetulla koodieditorilla ja ympäri vuorokauden toimivalla tekoälytuutorilla. Oppikaa tekoälyä Pythonilla-kurssilla on yhteensä 4 oppituntia.
Mitä opin oppitunnilla ”Mallirekisteri ja versiointi”?
Mallien rekisteröinti, vaiheistus (Staging/Production), mallialiakset, lataaminen version perusteella. Harjoittelet Oppikaa tekoälyä Pythonilla-aihetta koodilla, jonka suoritat suoraan selaimessa. Ympäri vuorokauden käytettävissä oleva tekoälytuutori vastaa kysymyksiisi oppitunnin aikana.
Tarvitsenko kokemusta aloittaakseni Oppikaa tekoälyä Pythonilla-opiskelun?
Aiempi kokemus ei ole tarpeen. CoddyKitin Oppikaa tekoälyä Pythonilla-oppimispolku sopii vasta-alkajista edistyneisiin, joten voit aloittaa tästä tai alusta ja edetä omaan tahtiisi. Tämä on oppitunti 2/4.
Kuinka kauan ”Mallirekisteri ja versiointi”-oppitunnin suorittaminen kestää?
Useimmat CoddyKitin oppitunnit kestävät noin 5–10 minuuttia. Jokainen oppitunti on lyhyt ja interaktiivinen, joten edistyt tasaisesti ja voit jatkaa siitä, mihin jäit – sekä verkossa että sovelluksessa.
Voinko kirjoittaa ja suorittaa koodia tällä Oppikaa tekoälyä Pythonilla-oppitunnilla?
Kyllä. Jokainen Oppikaa tekoälyä Pythonilla-oppitunti sisältää sisäänrakennetun koodieditorin, joten voit kirjoittaa ja suorittaa oikeaa koodia suoraan selaimessa ja saada välitöntä palautetta tekoälyltä – paikallista asennusta ei tarvita.
Kaikki tämän kurssin oppitunnit
- Kokeiden seuranta MLflow’lla
- Mallirekisteri ja versiointi
- Toistettavien ML-putkien rakentaminen
- Mallin suorituskyvyn valvonta tuotannossa