Muat Kembali Model Berdasarkan Nama dan Tahap
Ambil model Produksi terkini dari kode Anda.
Muat Kembali Model Berdasarkan Nama dan Tahap adalah pelajaran MLOps Academy gratis di CoddyKit. Ini adalah pelajaran 4 dari 4. Kamu bisa membaca pelajaran lengkapnya di bawah secara gratis — lalu praktikkan langsung di browser dengan editor kode bawaan dan tutor AI 24/7. Ini adalah bagian dari jalur belajar MLOps Academy, dan progresmu tersinkronisasi di web dan aplikasi CoddyKit. Kursus MLOps Academy mencakup 4 pelajaran total.
Menutup Siklus
Mendaftarkan model baru bermanfaat ketika kode dapat memuatnya kembali. Di sinilah aplikasi penyajian Anda akhirnya berinteraksi dengan registri. 🔁
URI models
Anda mengambil model yang terdaftar melalui URI models:/. URI ini menyebutkan model serta versi atau tahap yang Anda inginkan, tanpa memerlukan jalur berkas.
Muat Berdasarkan Versi Tepat
Untuk pemuatan yang tetap dan dapat direproduksi, minta versi tertentu. Cara ini selalu mengembalikan artefak yang sama, sehingga sangat cocok untuk pengujian.
import mlflow
m = mlflow.pyfunc.load_model(
"models:/churn-classifier/4")Muat Berdasarkan Tahap
Dalam produksi, biasanya Anda memuat berdasarkan tahap. Meminta Production berarti Anda selalu mendapatkan versi apa pun yang sedang aktif saat itu.
m = mlflow.pyfunc.load_model(
"models:/churn-classifier/Production")Pemuatan Tahap Bersifat Tidak Langsung
Memuat berdasarkan tahap menambahkan lapisan ketidaklangsungan. Promosikan versi baru ke Production, lalu kode Anda akan menggunakannya tanpa pengeditan atau penerapan ulang.
Muat Berdasarkan Alias
Jika Anda menggunakan alias, lakukan pemuatan dengan sintaks @. Meminta alias champion akan menemukan versi mana pun yang Anda tandai sebagai champion.
m = mlflow.pyfunc.load_model(
"models:/churn-classifier@champion")pyfunc Bersifat Universal
Varian pyfunc membungkus kerangka kerja apa pun di balik satu metode predict. Kode penyajian Anda tetap sama, baik yang mendasarinya sklearn maupun PyTorch.
preds = m.predict(input_df)Gunakan Varian Native Saat Diperlukan
Memerlukan metode khusus kerangka kerja? Muat varian native, seperti mlflow.sklearn, untuk mendapatkan kembali objek estimator asli.
model = mlflow.sklearn.load_model(
"models:/churn-classifier/Production")Arahkan ke Server
Pemuatan memerlukan pengaturan URI pelacakan agar MLflow mengetahui registri yang harus ditanyakan. Tanpanya, pencarian gagal atau mengarah ke penyimpanan yang salah.
mlflow.set_tracking_uri(
"http://localhost:5000")Muat Sekali Saat Memulai
Pemuatan membutuhkan biaya besar, jadi lakukan sekali saat layanan dimulai, bukan pada setiap permintaan. Gunakan kembali objek yang sama untuk semua prediksi.
Segarkan untuk Mengambil Perubahan
Layanan yang berjalan lama mempertahankan versi yang dimuat saat memulai. Untuk menggunakan model yang baru dipromosikan, muat ulang secara berkala atau mulai ulang layanan.
Pemeriksaan Singkat
Tentukan URI yang harus dimuat oleh layanan yang berjalan lama.
Rangkuman
Anda memuat model dengan URI models:/ berdasarkan versi, tahap, atau alias, serta belajar memuatnya sekali saat memulai. Siklus bolak-balik registri telah selesai. 🚀
Pertanyaan yang Sering Diajukan
Apakah pelajaran “Muat Kembali Model Berdasarkan Nama dan Tahap” gratis?
Ya — teks lengkap “Muat Kembali Model Berdasarkan Nama dan Tahap” gratis dibaca di sini di web. Untuk praktiknya secara interaktif (editor kode bawaan dan tutor AI 24/7) dan buka sisa kursus MLOps Academy, upgrade ke CoddyKit PRO. Kursus MLOps Academy mencakup 4 pelajaran total.
Apa yang akan aku pelajari di “Muat Kembali Model Berdasarkan Nama dan Tahap”?
Ambil model Produksi terkini dari kode Anda. Kamu berlatih MLOps Academy dengan kode praktik yang langsung kamu jalankan di browser, dan tutor AI 24/7 menjawab pertanyaanmu saat kamu mengerjakan pelajaran ini.
Apakah aku perlu pengalaman untuk memulai MLOps Academy?
Tidak diperlukan pengalaman sebelumnya. MLOps Academy di CoddyKit dirancang untuk pemula hingga pelajar tingkat lanjut, jadi kamu bisa memulai di sini atau dari awal dan belajar sesuai kecepatan kamu sendiri. Ini adalah pelajaran 4 dari 4.
Berapa lama pelajaran “Muat Kembali Model Berdasarkan Nama dan Tahap” memakan waktu?
Sebagian besar pelajaran CoddyKit memakan waktu sekitar 5–10 menit. Setiap pelajaran ringkas dan interaktif, jadi kamu membuat kemajuan stabil dan melanjutkan dari tempat kamu tinggalkan di web dan aplikasi.
Bisakah aku menulis dan menjalankan kode dalam pelajaran MLOps Academy ini?
Ya. Setiap pelajaran MLOps Academy menyertakan editor kode bawaan, jadi kamu menulis dan menjalankan kode nyata langsung di browser dan mendapatkan umpan balik AI instan — tidak diperlukan penyiapan lokal.
Semua pelajaran dalam kursus ini
- Daftarkan Versi Model Pertama Anda
- Tahap: Staging, Produksi, Diarsipkan
- Tambahkan Tag dan Deskripsi ke Model
- Muat Kembali Model Berdasarkan Nama dan Tahap