MLflow Model Flavor
Pakuj modele razem z zależnościami i sygnaturą
MLflow Model Flavor to bezpłatna lekcja MLOps Academy na CoddyKit. To lekcja 2 z 4. Możesz przeczytać całą lekcję poniżej za darmo — a potem ćwiczyć ją interaktywnie w przeglądarce z wbudowanym edytorem kodu i tutorem AI dostępnym 24/7. To część ścieżki edukacyjnej MLOps Academy, a Twój postęp synchronizuje się między webem a aplikacją CoddyKit. Kurs MLOps Academy zawiera 4 lekcji w sumie.
Części tej lekcji nie zostały jeszcze przetłumaczone i są wyświetlane po angielsku.
Beyond a Raw File
A bare pickle is just bytes. MLflow wraps your model in a self-describing folder so anyone can load it without guessing how. 📦
What Is a Flavor?
An MLflow flavor is a known format, like sklearn or pytorch, that tells MLflow exactly how to save and load that model.
One Model, Many Flavors
A single saved model can carry several flavors. That lets different tools load it their own way from the same artifact.
Save with a Flavor
Use the matching module to log a model. For scikit-learn you call mlflow.sklearn.log_model inside a run.
import mlflow.sklearn
mlflow.sklearn.log_model(model, name='model')The MLmodel File
Every saved model has an MLmodel YAML file listing its flavors, signature, and how to reload it. It is the model's ID card.
Dependencies Travel Too
MLflow records the libraries your model needs in a conda.yaml or requirements file, so the same environment can be rebuilt later.
The pyfunc Flavor
Most models also get the universal pyfunc flavor. It exposes one simple predict call, no matter the framework underneath. 🔑
Load as pyfunc
Loading via pyfunc gives you a generic object with predict, so your serving code stays the same across frameworks.
import mlflow.pyfunc
m = mlflow.pyfunc.load_model('runs:/<id>/model')
m.predict(X)Load Back Native
You can also reload in the original framework with the matching loader, getting the full native object instead of the generic wrapper.
model = mlflow.sklearn.load_model('runs:/<id>/model')Custom pyfunc Models
No built-in flavor fits? Subclass PythonModel and write your own predict to wrap any logic into the pyfunc format.
class MyModel(mlflow.pyfunc.PythonModel):
def predict(self, ctx, X):
return self.run(X)Why It Matters
Flavors make a model truly portable: training, registry, and serving all speak the same format without bespoke glue code.
Quick Check
Let's check your grasp of MLflow flavors.
Recap
An MLflow model is a self-describing folder with flavors, an MLmodel file, and pinned deps, loadable natively or as universal pyfunc. 🎉
Często zadawane pytania
Czy lekcja „MLflow Model Flavor” jest bezpłatna?
Tak — pełny tekst „MLflow Model Flavor” jest dostępny za darmo tutaj w sieci. Aby ćwiczyć ją interaktywnie (wbudowany edytor kodu i tutor AI dostępny 24/7) i odblokować resztę kursu MLOps Academy, przejdź na CoddyKit PRO. Kurs MLOps Academy zawiera 4 lekcji w sumie.
Co nauczysz się w „MLflow Model Flavor”?
Pakuj modele razem z zależnościami i sygnaturą Ćwiczysz MLOps Academy z praktycznym kodem, który uruchamiasz bezpośrednio w przeglądarce, a tutor AI dostępny 24/7 odpowiada na Twoje pytania podczas pracy nad lekcją.
Czy potrzebuję doświadczenia, aby zacząć MLOps Academy?
Nie wymagamy żadnego doświadczenia. MLOps Academy w CoddyKit jest strukturyzowany dla początkujących i zaawansowanych użytkowników, więc możesz zacząć tutaj lub od początku i uczyć się w swoim tempie. To lekcja 2 z 4.
Ile czasu zajmuje lekcja „MLflow Model Flavor”?
Większość lekcji CoddyKit trwa około 5–10 minut. Każda lekcja to mały, interaktywny krok, dzięki czemu robisz systematyczne postępy i zawsze wracasz dokładnie do tego samego miejsca — na webie i w aplikacji.
Czy mogę pisać i uruchamiać kod w tej lekcji MLOps Academy?
Tak. Każda lekcja MLOps Academy zawiera wbudowany edytor kodu, więc piszesz i uruchamiasz prawdziwy kod bezpośrednio w przeglądarce i od razu otrzymujesz sprzężenie zwrotne od AI — bez konfiguracji na komputerze.
Wszystkie lekcje w tym kursie
- Serializacja za pomocą Pickle i Joblib
- MLflow Model Flavor
- Eksport do ONNX na potrzeby przenośności
- Definiowanie sygnatury i schematu modelu