โหลดโมเดลกลับมาตามชื่อและระยะ
ดึงโมเดล Production ปัจจุบันจากโค้ดของคุณ
โหลดโมเดลกลับมาตามชื่อและระยะ เป็นบทเรียน MLOps Academy ฟรีบน CoddyKit นี่คือบทเรียนที่ 4 จากทั้งหมด 4 บทเรียน คุณสามารถอ่านบทเรียนทั้งหมดด้านล่างฟรี — จากนั้นลองปฏิบัติด้วยตัวคุณเองในเบราว์เซอร์พร้อมตัวแก้ไขโค้ดในตัวและติวเตอร์ AI ตลอด 24/7 บทเรียนนี้เป็นส่วนหนึ่งของเส้นทางการเรียน MLOps Academy และความก้าวหน้าของคุณจะซิงค์ข้ามเว็บและแอป CoddyKit คอร์ส MLOps Academy มีบทเรียนทั้งหมด 4 บทเรียน
ปิดวงจรให้สมบูรณ์
การลงทะเบียนโมเดลจะเกิดประโยชน์ก็ต่อเมื่อโค้ดสามารถโหลดโมเดลกลับมาได้ จุดนี้เองที่แอปสำหรับให้บริการของคุณเชื่อมต่อกับทะเบียนโมเดลในที่สุด 🔁
URI ของโมเดล
คุณดึงโมเดลที่ลงทะเบียนไว้ผ่าน URI models:/ ซึ่งระบุชื่อโมเดลและเวอร์ชันหรือระยะที่คุณต้องการ โดยไม่ต้องใช้เส้นทางไฟล์
โหลดตามเวอร์ชันที่ระบุแน่นอน
หากต้องการโหลดแบบล็อกเวอร์ชันและทำซ้ำได้ ให้ระบุเวอร์ชันที่เจาะจง วิธีนี้จะส่งคืนอาร์ติแฟกต์เดิมเสมอ จึงเหมาะอย่างยิ่งสำหรับการทดสอบ
import mlflow
m = mlflow.pyfunc.load_model(
"models:/churn-classifier/4")โหลดตามระยะ
ในสภาพแวดล้อมจริง โดยทั่วไปคุณจะโหลดตามระยะแทน การขอระยะ Production หมายความว่าคุณจะได้รับเวอร์ชันที่กำลังใช้งานอยู่ในขณะนั้นเสมอ
m = mlflow.pyfunc.load_model(
"models:/churn-classifier/Production")การโหลดตามระยะเป็นทางอ้อม
การโหลดตามระยะจะเพิ่มการอ้างอิงทางอ้อมอีกชั้นหนึ่ง เมื่อเลื่อนเวอร์ชันใหม่ไปยัง Production โค้ดของคุณจะนำเวอร์ชันนั้นมาใช้โดยไม่ต้องแก้ไขหรือนำไปติดตั้งใหม่
โหลดตามชื่อแทน
หากคุณใช้ชื่อแทน ให้โหลดด้วยรูปแบบ@ การขอชื่อแทน champion จะค้นหาเวอร์ชันที่คุณติดป้ายกำกับว่า champion ให้โดยอัตโนมัติ
m = mlflow.pyfunc.load_model(
"models:/churn-classifier@champion")pyfunc ใช้ได้ทั่วไป
รูปแบบpyfuncจะห่อหุ้มเฟรมเวิร์กใด ๆ ไว้ภายใต้เมธอด predict เดียว โค้ดสำหรับให้บริการของคุณจึงเหมือนเดิม ไม่ว่าจะใช้ sklearn หรือ PyTorch อยู่เบื้องหลังก็ตาม
preds = m.predict(input_df)ใช้รูปแบบดั้งเดิมเมื่อจำเป็น
ต้องการใช้เมธอดเฉพาะของเฟรมเวิร์กหรือไม่ ให้โหลดรูปแบบดั้งเดิมแทน เช่น mlflow.sklearn เพื่อรับออบเจ็กต์ตัวประมาณค่าเดิมกลับมา
model = mlflow.sklearn.load_model(
"models:/churn-classifier/Production")ชี้ไปยังเซิร์ฟเวอร์
การโหลดต้องกำหนดURI การติดตามไว้ เพื่อให้ MLflow ทราบว่าควรสอบถามทะเบียนโมเดลใด หากไม่กำหนด การค้นหาอาจล้มเหลวหรือไปยังที่จัดเก็บที่ไม่ถูกต้อง
mlflow.set_tracking_uri(
"http://localhost:5000")โหลดครั้งเดียวเมื่อเริ่มต้น
การโหลดใช้ทรัพยากรมาก จึงควรทำครั้งเดียวเมื่อบริการเริ่มทำงาน ไม่ใช่ทุกครั้งที่มีคำขอ จากนั้นใช้ออบเจ็กต์เดิมซ้ำสำหรับการทำนาย
รีเฟรชเพื่อรับการเปลี่ยนแปลง
บริการที่ทำงานต่อเนื่องจะเก็บเวอร์ชันที่โหลดไว้ตอนเริ่มต้น หากต้องการใช้โมเดลที่เพิ่งเลื่อนระดับ ให้โหลดใหม่ตามกำหนดเวลาหรือเริ่มบริการใหม่
ตรวจสอบอย่างรวดเร็ว
ตัดสินใจว่าบริการที่ทำงานเป็นเวลานานควรโหลด URI ใด
สรุป
คุณโหลดโมเดลด้วย URI models:/ โดยใช้เวอร์ชัน ระยะ หรือชื่อแทน และเรียนรู้การโหลดครั้งเดียวเมื่อเริ่มต้น การเดินทางไปกลับของทะเบียนโมเดลเสร็จสมบูรณ์แล้ว 🚀
คำถามที่พบบ่อย
บทเรียน “โหลดโมเดลกลับมาตามชื่อและระยะ” ฟรีหรือไม่
ใช่ — ข้อความเต็มของ “โหลดโมเดลกลับมาตามชื่อและระยะ” ฟรีให้อ่านที่นี่บนเว็บ เพื่อปฏิบัติแบบโต้ตอบ (ตัวแก้ไขโค้ดในตัวและติวเตอร์ AI ตลอด 24/7) และปลดล็อคส่วนที่เหลือของคอร์ส MLOps Academy ให้อัปเกรดเป็น CoddyKit PRO คอร์ส MLOps Academy มีบทเรียนทั้งหมด 4 บทเรียน
คุณจะเรียนรู้อะไรในบทเรียน “โหลดโมเดลกลับมาตามชื่อและระยะ”
ดึงโมเดล Production ปัจจุบันจากโค้ดของคุณ คุณปฏิบัติ MLOps Academy ด้วยโค้ดที่ใช้งานได้จริงที่คุณเรียกใช้โดยตรงในเบราว์เซอร์ และติวเตอร์ AI ตลอด 24/7 ตอบคำถามของคุณขณะที่คุณไปผ่านบทเรียน
คุณต้องมีประสบการณ์ก่อนที่จะเริ่มเรียน MLOps Academy หรือไม่
ไม่จำเป็นต้องมีประสบการณ์มาก่อน MLOps Academy บน CoddyKit ออกแบบมาสำหรับผู้เริ่มต้นไปจนถึงผู้เรียนขั้นสูง คุณสามารถเริ่มต้นที่นี่หรือเริ่มจากตัวแรกและเรียนด้วยความเร็วของคุณเอง นี่คือบทเรียนที่ 4 จากทั้งหมด 4 บทเรียน
บทเรียน “โหลดโมเดลกลับมาตามชื่อและระยะ” ใช้เวลานานแค่ไหน
บทเรียน CoddyKit ส่วนใหญ่ใช้เวลาประมาณ 5–10 นาที แต่ละบทเรียนจึงสั้นและเป็นแบบโต้ตอบ คุณสามารถก้าวหน้าอย่างต่อเนื่องและกลับมาเรียนต่อจากตรงที่เพิ่งหยุดบนเว็บและแอปได้เลย
ฉันเขียนและรันโค้ดในบทเรียน MLOps Academy นี้ได้ไหม
ได้ บทเรียน MLOps Academy ทุกบทมีตัวแก้ไขโค้ดในตัว คุณจึงเขียนและรันโค้ดจริงได้เลยในเบราว์เซอร์ และได้รับข้อเสนอแนะจาก AI ในทันที — ไม่ต้องติดตั้งในเครื่องของคุณ
บทเรียนทั้งหมดในหลักสูตรนี้
- ลงทะเบียนโมเดลเวอร์ชันแรกของคุณ
- ระยะ: Staging, Production, Archived
- เพิ่มแท็กและคำอธิบายให้โมเดล
- โหลดโมเดลกลับมาตามชื่อและระยะ