Caricare un modello per nome e stadio
Recuperi dal codice il modello attuale in Production.
Caricare un modello per nome e stadio è una lezione MLOps Academy gratuita su CoddyKit. Questa è la lezione 4 di 4. Puoi leggere la lezione completa qui gratuitamente — poi esercitati direttamente nel browser con un editor di codice integrato e un tutor IA disponibile 24/7. Fa parte del percorso di apprendimento MLOps Academy, e i tuoi progressi si sincronizzano tra il web e l'app CoddyKit. Il corso MLOps Academy include 4 lezioni in totale.
Chiudere il ciclo
La registrazione di un modello è utile solo quando il codice può caricarlo nuovamente. È qui che l’applicazione di serving incontra finalmente il registry. 🔁
L’URI models
I modelli registrati vengono recuperati tramite un URI models:/. Questo identifica il modello e la versione o lo stage desiderato, senza richiedere percorsi di file.
Caricare una versione esatta
Per un caricamento vincolato e riproducibile, richieda una versione specifica. In questo modo viene sempre restituito lo stesso artifact, una soluzione ideale per i test.
import mlflow
m = mlflow.pyfunc.load_model(
"models:/churn-classifier/4")Caricare per stage
In produzione, di solito si carica invece per stage. Richiedendo Production, si ottiene sempre la versione attualmente attiva.
m = mlflow.pyfunc.load_model(
"models:/churn-classifier/Production")Il caricamento per stage è indiretto
Il caricamento per stage aggiunge un livello di indirezione. Promuova una nuova versione a Production e il codice la utilizzerà senza modifiche o nuovo deployment.
Caricare per alias
Se usa gli alias, carichi il modello con la sintassi @. Richiedendo l’alias champion, verrà risolta la versione a cui ha assegnato l’etichetta champion.
m = mlflow.pyfunc.load_model(
"models:/churn-classifier@champion")pyfunc è universale
Il flavor pyfunc avvolge qualsiasi framework dietro un unico metodo predict. Il codice di serving rimane identico, sia che sotto ci siano sklearn o PyTorch.
preds = m.predict(input_df)Usare il flavor nativo quando serve
Le servono metodi specifici del framework? Carichi invece il flavor native, ad esempio mlflow.sklearn, per ottenere nuovamente l’oggetto estimator originale.
model = mlflow.sklearn.load_model(
"models:/churn-classifier/Production")Indicare il server
Per il caricamento è necessario impostare il tracking URI, così MLflow sa quale registry interrogare. Senza di esso, la ricerca non riesce oppure raggiunge lo store sbagliato.
mlflow.set_tracking_uri(
"http://localhost:5000")Caricare una volta all’avvio
Il caricamento è costoso, quindi lo esegua una sola volta all’avvio del servizio, non a ogni richiesta. Riutilizzi lo stesso oggetto per tutte le predizioni.
Aggiornare per acquisire le modifiche
Un servizio a esecuzione prolungata conserva la versione caricata all’avvio. Per adottare un modello appena promosso, ricarichi il modello secondo una pianificazione oppure riavvii il servizio.
Verifica rapida
Decida quale URI dovrebbe caricare un servizio a esecuzione prolungata.
Riepilogo
Ha caricato i modelli con un URI models:/ per versione, stage o alias e ha imparato a caricarli una volta all’avvio. Il percorso di andata e ritorno nel registry è completo. 🚀
Domande Frequenti
La lezione «Caricare un modello per nome e stadio» è gratuita?
Sì — il testo completo di «Caricare un modello per nome e stadio» è gratuito qui sul web. Per esercitarvi in modo interattivo (un editor di codice integrato e un tutor IA 24/7) e sbloccare il resto del corso MLOps Academy, passa a CoddyKit PRO. Il corso MLOps Academy include 4 lezioni in totale.
Cosa imparerò in «Caricare un modello per nome e stadio»?
Recuperi dal codice il modello attuale in Production. Eserciti MLOps Academy con codice pratico che esegui direttamente nel browser, e un tutor IA 24/7 risponde alle tue domande mentre lavori sulla lezione.
Ho bisogno di esperienza per iniziare MLOps Academy?
Non è richiesta alcuna esperienza precedente. MLOps Academy su CoddyKit è strutturato per principianti e studenti avanzati, quindi puoi iniziare da qui o dall'inizio e procedere al tuo ritmo. Questa è la lezione 4 di 4.
Quanto tempo richiede la lezione «Caricare un modello per nome e stadio»?
La maggior parte delle lezioni CoddyKit richiede circa 5–10 minuti. Ogni lezione è breve e interattiva, quindi fai progressi costanti e riprendi esattamente da dove hai lasciato su web e app.
Posso scrivere ed eseguire codice in questa lezione MLOps Academy?
Sì. Ogni lezione MLOps Academy include un editor di codice integrato, quindi scrivi ed esegui codice reale direttamente nel tuo browser e ricevi feedback istantaneo dall'IA — nessuna configurazione locale necessaria.
Tutte le lezioni di questo corso
- Registrare la prima versione del modello
- Stadi: Staging, Production, Archived
- Aggiungere tag e descrizioni ai modelli
- Caricare un modello per nome e stadio