MLOps Academy · Урок

Формат модели MLflow

Упаковывайте модели вместе с зависимостями и сигнатурой

«Формат модели MLflow» — бесплатный урок MLOps Academy на CoddyKit. Это урок 2 из 4. Ты можешь прочитать весь урок бесплатно ниже — а потом практиковать его прямо в браузере с встроенным редактором кода и ИИ-репетитором 24/7. Это часть пути обучения MLOps Academy, и твой прогресс синхронизируется между веб-версией и приложением CoddyKit. Курс MLOps Academy содержит 4 уроков всего.

Части этого урока еще не переведены и отображаются на английском.

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. 🎉

Часто задаваемые вопросы

Урок «Формат модели MLflow» бесплатный?

Да — полный текст урока «Формат модели MLflow» бесплатно доступен здесь в веб-версии. Чтобы практиковать его интерактивно (встроенный редактор кода и ИИ-репетитор 24/7) и разблокировать остальной курс MLOps Academy, подпишись на CoddyKit PRO. Курс MLOps Academy содержит 4 уроков всего.

Чему я научусь в уроке «Формат модели MLflow»?

Упаковывайте модели вместе с зависимостями и сигнатурой Ты практикуешь MLOps Academy с помощью реального кода, который запускаешь прямо в браузере, и ИИ-репетитор 24/7 отвечает на твои вопросы во время урока.

Нужен ли мне опыт, чтобы начать MLOps Academy?

Предыдущий опыт не требуется. MLOps Academy на CoddyKit структурирован для всех уровней — от новичков до продвинутых, поэтому ты можешь начать отсюда или с самого начала и учиться в своем темпе. Это урок 2 из 4.

Сколько времени занимает урок «Формат модели MLflow»?

Большинство уроков CoddyKit занимают около 5–10 минут. Каждый из них компактный и интерактивный, поэтому ты постоянно делаешь прогресс и продолжаешь с того же места в веб-версии и приложении.

Можно ли писать и запускать код в этом уроке MLOps Academy?

Да. Каждый урок MLOps Academy включает встроенный редактор кода, поэтому ты пишешь и запускаешь реальный код прямо в браузере и получаешь моментальную обратную связь от AI — локальная установка не требуется.

Все уроки этого курса

← Назад к MLOps Academy