MLflow Model Flavor
Kemas model bersama dependensi dan tanda tangannya.
MLflow Model Flavor adalah pelajaran MLOps Academy gratis di CoddyKit. Ini adalah pelajaran 2 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.
Melampaui Berkas Mentah
Pickle polos hanyalah byte. MLflow membungkus model Anda dalam folder yang menjelaskan dirinya sendiri, sehingga siapa pun dapat memuatnya tanpa menebak caranya. 📦
Apa Itu Varian?
Varian MLflow adalah format yang dikenali, seperti sklearn atau pytorch, yang memberi tahu MLflow cara menyimpan dan memuat model tersebut secara tepat.
Satu Model, Banyak Varian
Satu model tersimpan dapat memiliki beberapa varian. Dengan begitu, berbagai alat dapat memuatnya dengan caranya masing-masing dari artefak yang sama.
Simpan dengan Varian
Gunakan modul yang sesuai untuk mencatat model. Untuk scikit-learn, panggil mlflow.sklearn.log_model di dalam sebuah proses.
import mlflow.sklearn
mlflow.sklearn.log_model(model, name='model')Berkas MLmodel
Setiap model tersimpan memiliki berkas YAML MLmodel yang mencantumkan variannya, tanda tangannya, dan cara memuatnya kembali. Berkas ini adalah kartu identitas model.
Dependensi Ikut Tersimpan
MLflow mencatat pustaka yang diperlukan model Anda dalam berkas conda.yaml atau berkas persyaratan, sehingga lingkungan yang sama dapat dibangun kembali nanti.
Varian pyfunc
Sebagian besar model juga mendapatkan varian universal pyfunc. Varian ini menyediakan satu panggilan predict sederhana, apa pun kerangka kerja yang mendasarinya. 🔑
Muat sebagai pyfunc
Memuat melalui pyfunc memberi Anda objek umum dengan predict, sehingga kode penyajian tetap sama di berbagai kerangka kerja.
import mlflow.pyfunc
m = mlflow.pyfunc.load_model('runs:/<id>/model')
m.predict(X)Muat Kembali Secara Native
Anda juga dapat memuat ulang dalam kerangka kerja asli dengan pemuat yang sesuai, sehingga mendapatkan objek native lengkap, bukan pembungkus umum.
model = mlflow.sklearn.load_model('runs:/<id>/model')Model pyfunc Kustom
Tidak ada varian bawaan yang sesuai? Turunkan kelas PythonModel dan tulis predict Anda sendiri untuk membungkus logika apa pun ke dalam format pyfunc.
class MyModel(mlflow.pyfunc.PythonModel):
def predict(self, ctx, X):
return self.run(X)Mengapa Ini Penting
Varian membuat model benar-benar portabel: pelatihan, registri, dan penyajian semuanya menggunakan format yang sama tanpa kode perekat khusus.
Pemeriksaan Singkat
Mari periksa pemahaman Anda tentang varian MLflow.
Rangkuman
Model MLflow adalah folder yang menjelaskan dirinya sendiri, berisi varian, berkas MLmodel, dan dependensi yang versinya ditetapkan, serta dapat dimuat secara native atau sebagai pyfunc universal. 🎉
Belajar Python dengan tutor AI — gratis
Tulis dan jalankan kode asli di browser kamu, dapatkan bantuan instan dari tutor AI 24/7, dan lanjutkan di mana kamu tinggalkan di web atau aplikasi.
- Kursus
- 30
- Pelajaran
- 120
Pertanyaan yang Sering Diajukan
Apakah pelajaran “MLflow Model Flavor” gratis?
Ya — teks lengkap “MLflow Model Flavor” 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 “MLflow Model Flavor”?
Kemas model bersama dependensi dan tanda tangannya. 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 2 dari 4.
Berapa lama pelajaran “MLflow Model Flavor” 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
- Serialisasi dengan Pickle dan Joblib
- MLflow Model Flavor
- Ekspor ke ONNX agar Portabel
- Tentukan Tanda Tangan dan Skema Model