Pendaftaran dan Pemversian Model
Mendaftarkan model, pementasan (Staging/Production), alias model, memuatkan mengikut versi.
Pendaftaran dan Pemversian Model ialah pelajaran Pelajari AI dengan Python percuma di CoddyKit. Ini ialah pelajaran 2 daripada 4. Sebanyak 3 pelajaran dalam laluan pembelajaran ini boleh dibaca sepenuhnya secara percuma — selepas itu, CoddyKit PRO membuka akses kepada semua pelajaran, serta latihan praktikal dengan penyunting kod terbina dalam dan tutor kecerdasan buatan yang tersedia 24/7. Pelajaran ini merupakan sebahagian daripada laluan pembelajaran Pelajari AI dengan Python, dan kemajuan anda disegerakkan merentas web serta aplikasi CoddyKit. Kursus Pelajari AI dengan Python merangkumi sejumlah 4 pelajaran.
Apakah Registri Model?
Registri Model MLflow ialah stor pusat untuk model anda. Ia menjejaki model bernama, versinya dan peringkat kitar hayatnya supaya pasukan sentiasa mengetahui model yang berada dalam pengeluaran serta cara model itu sampai ke sana.
Mengapa Versi Penting
Model dilatih semula secara berterusan. Pemberian versi memberikan nombor kepada setiap latihan semula, membolehkan anda kembali serta-merta kepada versi terdahulu jika model baharu berkelakuan tidak baik, dan mengaitkan setiap versi dengan larian yang menghasilkannya untuk mengekalkan salasilah lengkap.
Mendaftarkan Model
mlflow.register_model menerima URI model yang dicatat dan satu nama, lalu mencipta versi 1 (atau versi seterusnya) dalam registri.
import mlflow
result = mlflow.register_model(
model_uri="runs:/<run_id>/model",
name="churn_classifier"
)
print("Version:", result.version)Mendaftar Semasa Mencatat
Anda juga boleh mendaftar secara terus semasa mencatat model dengan memberikan registered_model_name, yang akan mencipta versi baharu secara automatik bagi setiap larian.
mlflow.sklearn.log_model(
model,
artifact_path="model",
registered_model_name="churn_classifier"
)Peringkat Kitar Hayat
Setiap versi bergerak melalui peringkat berikut: Tiada -> Pementasan (ujian) -> Pengeluaran (aktif) -> Diarkibkan. Peringkat memisahkan "versi yang mana" daripada "versi yang sedang disediakan", jadi penaikan versi hanya mengubah metadata, bukan penggunaan semula.
MlflowClient
Operasi registri secara teraturcara dilakukan melalui MlflowClient.
from mlflow.tracking import MlflowClient
client = MlflowClient()Menukar Peringkat
transition_model_version_stage menaikkan versi. Alihkannya ke Pementasan untuk QA, kemudian ke Pengeluaran selepas disahkan.
client.transition_model_version_stage(
name="churn_classifier",
version=3,
stage="Production"
)Memuatkan Mengikut Peringkat
Kod penyajian boleh memuatkan "apa-apa yang berada dalam Pengeluaran" tanpa menetapkan nombor versi secara terus, jadi penaikan versi baharu akan mengemas kini perkara yang disajikan serta-merta.
import mlflow.pyfunc
model = mlflow.pyfunc.load_model(
"models:/churn_classifier/Production"
)Nama Samaran Model (MLflow 2.x)
MLflow 2.x memperkenalkan nama samaran: penunjuk bernama yang boleh berubah seperti @champion atau @challenger, yang dilampirkan pada sesuatu versi. Nama ini lebih fleksibel berbanding nama peringkat tetap dan merupakan pendekatan moden yang disyorkan.
client.set_registered_model_alias(
name="churn_classifier",
alias="champion",
version=3
)Memuatkan Mengikut Nama Samaran
Rujuk model melalui nama samarannya menggunakan sintaks @, supaya penetapan semula nama samaran kepada versi baharu akan mengubah hala semua pengguna serta-merta.
model = mlflow.pyfunc.load_model(
"models:/churn_classifier@champion"
)Peringkat berbanding Nama Samaran
- Peringkat: set tetap (Pementasan/Pengeluaran/Diarkibkan), dengan kitar hayat yang mudah.
- Nama samaran: apa-apa nama tersuai, berbilang nama bagi setiap model, disyorkan dalam MLflow 2.x.
Projek baharu patut mengutamakan nama samaran kerana lebih fleksibel.
Semakan Ringkas
Uji pengetahuan anda tentang registri model.
Ringkasan
Anda telah menggunakan Registri Model MLflow: register_model mencipta versi, MlflowClient.transition_model_version_stage mengalihkannya melalui Pementasan/Pengeluaran, dan anda memuatkan model mengikut peringkat atau nama samaran (MLflow 2.x) supaya penyajian dikemas kini tanpa perubahan kod. Seterusnya: membina saluran paip yang boleh dihasilkan semula.
Pelajari Python dengan tutor kecerdasan buatan — percuma
Tulis dan jalankan kod sebenar dalam pelayar anda, dapatkan bantuan segera daripada tutor kecerdasan buatan yang tersedia 24/7, dan sambung semula dari tempat anda berhenti di web atau dalam aplikasi.
- Kursus
- 53
- Pelajaran
- 225
Soalan Lazim
Adakah pelajaran “Pendaftaran dan Pemversian Model” percuma?
Ya — sebanyak 3 pelajaran dalam laluan pembelajaran Pelajari AI dengan Python, termasuk “Pendaftaran dan Pemversian Model”, boleh dibaca sepenuhnya secara percuma di web ini. Selepas itu, CoddyKit PRO membuka akses kepada semua pelajaran, serta latihan interaktif dengan penyunting kod terbina dalam dan tutor kecerdasan buatan yang tersedia 24/7. Kursus Pelajari AI dengan Python merangkumi sejumlah 4 pelajaran.
Apakah yang akan saya pelajari dalam “Pendaftaran dan Pemversian Model”?
Mendaftarkan model, pementasan (Staging/Production), alias model, memuatkan mengikut versi. Anda berlatih Pelajari AI dengan Python menggunakan kod praktikal yang dijalankan terus dalam pelayar, manakala tutor kecerdasan buatan 24/7 menjawab soalan anda semasa anda mengikuti pelajaran.
Adakah saya memerlukan pengalaman untuk memulakan Pelajari AI dengan Python?
Tiada pengalaman terdahulu diperlukan. Pembelajaran Pelajari AI dengan Python di CoddyKit disusun untuk pelajar daripada peringkat pemula hingga lanjutan, jadi anda boleh bermula di sini atau dari awal dan belajar mengikut kadar anda sendiri. Ini ialah pelajaran 2 daripada 4.
Berapa lamakah pelajaran “Pendaftaran dan Pemversian Model” diambil?
Kebanyakan pelajaran CoddyKit mengambil masa kira-kira 5–10 minit. Setiap pelajaran ringkas dan interaktif, jadi anda boleh membuat kemajuan secara berterusan dan menyambung tepat dari tempat anda berhenti di web atau aplikasi.
Bolehkah saya menulis dan menjalankan kod dalam pelajaran Pelajari AI dengan Python ini?
Ya. Setiap pelajaran Pelajari AI dengan Python menyertakan penyunting kod terbina dalam, jadi anda boleh menulis dan menjalankan kod sebenar terus dalam pelayar serta menerima maklum balas kecerdasan buatan serta-merta — tanpa memerlukan persediaan setempat.
Semua pelajaran dalam kursus ini
- Penjejakan Eksperimen dengan MLflow
- Pendaftaran dan Pemversian Model
- Membina Pipeline Pembelajaran Mesin yang Boleh Diulang
- Memantau Prestasi Model dalam Pengeluaran