Modellregister och versionshantering
Registrera modeller, staging (Staging/Production), modellalias, läsa in efter version.
Modellregister och versionshantering är en gratis lektion i Lär Er AI med Python på CoddyKit. Detta är lektion 2 av 4. Du kan läsa vilka 3 lektioner som helst i den här lärvägen kostnadsfritt i sin helhet – därefter låser CoddyKit PRO upp alla lektioner, plus praktisk övning med en inbyggd kodredigerare och en AI-lärare dygnet runt. Den ingår i lärvägen för Lär Er AI med Python, och Era framsteg synkroniseras mellan webben och CoddyKit-appen. Kursen i Lär Er AI med Python innehåller totalt 4 lektioner.
Vad är modellregistret?
MLflow Model Registry är en central lagringsplats för dina modeller. Det håller reda på namngivna modeller, deras versioner och livscykelsteg, så att teamet alltid vet vilken modell som är i produktion och hur den hamnade där.
Varför versionshantering är viktig
Modeller tränas om hela tiden. Versionshantering ger varje ny träning ett nummer, gör det möjligt att omedelbart återgå till en tidigare version om den nya modellen beter sig fel och kopplar varje version till körningen som skapade den, vilket ger full spårbarhet.
Registrera en modell
mlflow.register_model tar en URI till en loggad modell och ett namn och skapar version 1 (eller nästa version) i registret.
import mlflow
result = mlflow.register_model(
model_uri="runs:/<run_id>/model",
name="churn_classifier"
)
print("Version:", result.version)Registrering vid loggning
Du kan också registrera modellen direkt när den loggas genom att ange registered_model_name. Då skapas automatiskt en ny version vid varje körning.
mlflow.sklearn.log_model(
model,
artifact_path="model",
registered_model_name="churn_classifier"
)Livscykelsteg
Varje version går igenom olika steg: None -> Staging (testning) -> Production (i drift) -> Archived. Stegen skiljer åt "vilken version" och "vilken som används", så en befordran blir en ändring av metadata i stället för en ny distribution.
MlflowClient
Programmatisk hantering av registret sker via MlflowClient.
from mlflow.tracking import MlflowClient
client = MlflowClient()Byta livscykelsteg
transition_model_version_stage befordrar en version. Flytta den till Staging för kvalitetssäkring och sedan till Production när den har validerats.
client.transition_model_version_stage(
name="churn_classifier",
version=3,
stage="Production"
)Läsa in efter livscykelsteg
Kod för betjäning kan läsa in "vad som än finns i Production" utan att hårdkoda ett versionsnummer. När en ny version befordras uppdateras därför det som betjänas omedelbart.
import mlflow.pyfunc
model = mlflow.pyfunc.load_model(
"models:/churn_classifier/Production"
)Modellalias (MLflow 2.x)
MLflow 2.x introducerade alias: ändringsbara namngivna pekare, till exempel @champion eller @challenger, som kopplas till en version. De är mer flexibla än de fasta stegnamnen och är det rekommenderade moderna tillvägagångssättet.
client.set_registered_model_alias(
name="churn_classifier",
alias="champion",
version=3
)Läsa in efter alias
Referera till en modell med dess alias och syntaxen @, så att en omkoppling av aliaset till en ny version omedelbart omdirigerar alla användare.
model = mlflow.pyfunc.load_model(
"models:/churn_classifier@champion"
)Stages kontra alias
- Stages: fast uppsättning (Staging/Production/Archived) med en enkel livscykel.
- Aliases: valfritt anpassat namn, flera per modell och rekommenderat i MLflow 2.x.
Nya projekt bör föredra alias för större flexibilitet.
Snabbtest
Testa dina kunskaper om modellregister.
Sammanfattning
Du använde MLflow Model Registry: register_model skapar versioner, MlflowClient.transition_model_version_stage flyttar dem genom Staging/Production och du läser in modeller efter steg eller med ett alias (MLflow 2.x), så att betjäningen uppdateras utan kodändringar. Nästa steg är att bygga reproducerbara pipelines.
Lär dig Python med en AI-lärare – gratis
Skriv och kör riktig kod i webbläsaren, få omedelbar hjälp av en AI-lärare dygnet runt och fortsätt där du slutade – på webben eller i appen.
- Kurser
- 53
- Lektioner
- 225
Vanliga frågor
Är lektionen ”Modellregister och versionshantering” gratis?
Ja – du kan läsa vilka 3 lektioner som helst i lärvägen Lär Er AI med Python, inklusive ”Modellregister och versionshantering”, kostnadsfritt i sin helhet här på webben. Därefter låser CoddyKit PRO upp alla lektioner, plus interaktiv övning med en inbyggd kodredigerare och en AI-lärare dygnet runt. Kursen i Lär Er AI med Python innehåller totalt 4 lektioner.
Vad lär jag mig i ”Modellregister och versionshantering”?
Registrera modeller, staging (Staging/Production), modellalias, läsa in efter version. Ni övar på Lär Er AI med Python med praktisk kod som körs direkt i webbläsaren, medan en AI-handledare som är tillgänglig dygnet runt svarar på Era frågor under lektionen.
Behöver jag någon erfarenhet för att börja lära mig Lär Er AI med Python?
Du behöver inga förkunskaper. Utbildningen i Lär Er AI med Python på CoddyKit är upplagd för allt från nybörjare till avancerade elever, så att du kan börja här eller från början och gå fram i din egen takt. Detta är lektion 2 av 4.
Hur lång tid tar lektionen ”Modellregister och versionshantering”?
De flesta CoddyKit-lektioner tar cirka 5–10 minuter. Varje lektion är kort och interaktiv, så att du gör stadiga framsteg och kan fortsätta precis där du slutade – på webben eller i appen.
Kan jag skriva och köra kod i den här Lär Er AI med Python-lektionen?
Ja. Varje Lär Er AI med Python-lektion innehåller en inbyggd kodredigerare, så att du kan skriva och köra riktig kod direkt i webbläsaren och få omedelbar AI-feedback – utan lokal installation.
Alla lektioner i den här kursen
- Experimentuppföljning med MLflow
- Modellregister och versionshantering
- Bygga reproducerbara ML-pipelines
- Övervaka modellprestanda i produktion