Modellregister og versjonering
Registrering av modeller, stadier (Staging/Production), modellaliaser og innlasting etter versjon.
Modellregister og versjonering er en gratis leksjon i Lær AI med Python på CoddyKit. Dette er leksjon 2 av 4. Du kan lese valgfritt 3 leksjoner fra denne læringsstien gratis i sin helhet – deretter låser CoddyKit PRO opp alle leksjoner, samt praktisk øving med en innebygd kodeeditor og en AI-veileder som er tilgjengelig døgnet rundt. Den er en del av læringsløpet i Lær AI med Python, og fremdriften din synkroniseres mellom nettet og CoddyKit-appen. Kurset i Lær AI med Python inneholder totalt 4 leksjoner.
Hva er modellregisteret?
MLflow Model Registry er et sentralt lager for modellene dine. Det sporer navngitte modeller, versjonene deres og livssyklusfasene deres, slik at teamet alltid vet hvilken modell som er i produksjon, og hvordan den kom dit.
Hvorfor versjonering er viktig
Modeller trenes på nytt hele tiden. Versjonering gir hver nye trening et nummer, lar deg rulle tilbake umiddelbart hvis en ny modell oppfører seg dårlig, og knytter hver versjon til kjøringen som produserte den, slik at du får full sporbarhet.
Registrere en modell
mlflow.register_model tar en URI til en logget modell og et navn, og oppretter versjon 1 (eller neste versjon) i registeret.
import mlflow
result = mlflow.register_model(
model_uri="runs:/<run_id>/model",
name="churn_classifier"
)
print("Version:", result.version)Registrere ved logging
Du kan også registrere modellen direkte når du logger den, ved å sende inn registered_model_name. Da opprettes det automatisk en ny versjon for hver kjøring.
mlflow.sklearn.log_model(
model,
artifact_path="model",
registered_model_name="churn_classifier"
)Livssyklusfaser
Hver versjon går gjennom fasene: None -> Staging (testing) -> Production (aktiv) -> Archived. Faser skiller «hvilken versjon» fra «hvilken som leverer», slik at lansering blir en endring av metadata, ikke en ny distribusjon.
MlflowClient
Programmatisk håndtering av registeret skjer gjennom MlflowClient.
from mlflow.tracking import MlflowClient
client = MlflowClient()Endre livssyklusfase
transition_model_version_stage lanserer en versjon. Flytt den til Staging for kvalitetssikring, og deretter til Production når den er validert.
client.transition_model_version_stage(
name="churn_classifier",
version=3,
stage="Production"
)Laste inn etter fase
Kode som leverer prediksjoner, kan laste inn «det som ligger i Production» uten å hardkode et versjonsnummer. Når du lanserer en ny versjon, oppdateres derfor det som leveres, umiddelbart.
import mlflow.pyfunc
model = mlflow.pyfunc.load_model(
"models:/churn_classifier/Production"
)Model Aliases (MLflow 2.x)
MLflow 2.x introduserte aliaser: endringsbare, navngitte pekere som @champion eller @challenger, knyttet til en versjon. De er mer fleksible enn de faste fasenavnene og er den anbefalte moderne tilnærmingen.
client.set_registered_model_alias(
name="churn_classifier",
alias="champion",
version=3
)Laste inn etter alias
Referer til en modell ved hjelp av aliaset med @-syntaksen. Når aliaset tilordnes en ny versjon, omdirigeres derfor alle brukere umiddelbart.
model = mlflow.pyfunc.load_model(
"models:/churn_classifier@champion"
)Faser kontra aliaser
- Faser: fast sett (Staging/Production/Archived), enkel livssyklus.
- Aliaser: valgfritt navn, flere per modell, anbefalt i MLflow 2.x.
Nye prosjekter bør foretrekke aliaser for større fleksibilitet.
Hurtigsjekk
Test kunnskapene dine om modellregisteret.
Oppsummering
Du brukte MLflow Model Registry: register_model oppretter versjoner, MlflowClient.transition_model_version_stage flytter dem gjennom Staging/Production, og du laster inn etter fase eller med en alias (MLflow 2.x), slik at det som leveres oppdateres uten endringer i koden. Neste tema er å bygge reproduserbare pipelines.
Lær deg Python med en AI-veileder – gratis
Skriv og kjør ekte kode i nettleseren, få umiddelbar hjelp fra en AI-veileder som er tilgjengelig døgnet rundt, og fortsett der du slapp – på nettet eller i appen.
- Kurs
- 53
- Leksjoner
- 225
Ofte stilte spørsmål
Er leksjonen «Modellregister og versjonering» gratis?
Ja – du kan lese valgfritt 3 av leksjonene i læringsstien Lær AI med Python, inkludert «Modellregister og versjonering», gratis i sin helhet her på nettet. Deretter låser CoddyKit PRO opp alle leksjoner, samt interaktiv øving med en innebygd kodeeditor og en AI-veileder som er tilgjengelig døgnet rundt. Kurset i Lær AI med Python inneholder totalt 4 leksjoner.
Hva lærer jeg i «Modellregister og versjonering»?
Registrering av modeller, stadier (Staging/Production), modellaliaser og innlasting etter versjon. Du øver på Lær AI med Python med praktisk kode som du kjører direkte i nettleseren, mens en AI-veileder som er tilgjengelig døgnet rundt, svarer på spørsmålene dine mens du jobber deg gjennom leksjonen.
Trenger jeg erfaring for å begynne med Lær AI med Python?
Ingen tidligere erfaring er nødvendig. Lær AI med Python på CoddyKit er lagt opp for både nybegynnere og viderekomne, så De kan begynne her eller helt fra start og lære i Deres eget tempo. Dette er leksjon 2 av 4.
Hvor lang tid tar leksjonen «Modellregister og versjonering»?
De fleste CoddyKit-leksjoner tar omtrent 5–10 minutter. Hver leksjon er kort og interaktiv, slik at De gjør jevne fremskritt og kan fortsette akkurat der De slapp – både på nettet og i appen.
Kan jeg skrive og kjøre kode i denne Lær AI med Python-leksjonen?
Ja. Alle Lær AI med Python-leksjoner har en innebygd kodeeditor, slik at De kan skrive og kjøre ekte kode direkte i nettleseren og få umiddelbar tilbakemelding fra AI – uten lokal konfigurering.
Alle leksjonene i dette kurset
- Eksperimentsporing med MLflow
- Modellregister og versjonering
- Bygging av reproduserbare ML-pipelines
- Overvåking av modellens ytelse i produksjon