ayamir

Overview MLflow是一个用于管理机器学习全生命周期的框架。 其主要的作用是： 完成训练和测试过程中不同超参数的结果的记录、对比和可视化——MLflow Tracking 以一种可复现重用的方式包装 ML 代码——MLflow Projects 简化模型部署的难度——MLflow Models 提供中心化的模型存储来管理全生命周期——MLflow Model Registry 现在主要用到的是第三个，所以先记录Models的用法 MLflow Models MLflow Models本质上是一种格式，用来将机器学习模型包装好之后为下游的工具所用。 这种格式定义了一种惯例来让我们以不同的flavor保存模型进而可以被下游工具所理解。 存储格式 每个MLflow Model是一个包含任意文件的目录，根目录之下有一个MLmodel文件，用于定义多个flavor。 flavor是MLflow Model的关键概念，抽象上是部署工具可以用来理解模型的一种约定。 MLflow定义了其所有内置部署工具都支持的几种标准flavor，比如描述如何将模型作为Python函数运行的python_function flavor。 目录结构示例如下： MLmode文件内容示例如下： 这个模型可以用于任何支持pytorch或python_function flavor的工具，例如可以使用如下的命令用python_function来 serve 一个有python_function flavor的模型： mlflow models serve -m my_model Model Signature 模型的输入输出要么是column-based，要么是tensor-based。 column-based inputs and outputs can be described as a sequence of (optionally) named columns with type specified as one of the MLflow data type. tensor-based inputs and outputs can be described as a sequence of (optionally) named tensors with type specified as one of the numpy data type.