<div id="module-unit-notification-container" hidden=""></div> <p>MLflow 使用 MLModel 格式将所有相关模型资产存储在文件夹或目录中。 目录中的一个基本文件是 文件。 文件是有关应如何加载和使用模型的单一可信源。</p> 讯享网
文件可能包括：
- ：在训练作业期间，模型记录到此路径。
- ：用于创建模型的机器学习库。
- ：注册的模型的唯一标识符。
- ：在运行期间创建了模型的作业运行的唯一标识符。
- ：指定模型的输入和输出的架构：
- ：模型的有效输入。 例如，训练数据集的子集。
- ：有效的模型输出。 例如，输入数据集的模型预测。
为使用 训练的计算机视觉模型创建的 MLmodel 文件示例可能如下所示：
讯享网
要设置的最重要的内容是风格和签名。
风格是用于创建模型的机器学习库。
例如，要创建图像分类模型来检测乳腺癌，你将使用 。 Fastai 是 MLflow 中的一种风格，它告知应如何持久保存和加载模型。 由于每个模型风格都指示他们希望如何持久保存和加载模型，因此 MLModel 格式不会强制实施所有模型都需要支持的单一序列化机制。 这种决策允许每种风格使用根据**做法提供**性能或**支持的方法，而不会影响与 MLModel 标准的兼容性。
风格是从 MLflow 运行创建的模型的默认模型接口。 任何 MLflow Python 模型都可以作为 模型加载，这使部署等工作流可以与任何 Python 模型一起使用，而不管使用哪个框架生成模型。 这种互操作性非常强大，因为它减少了在多个环境中操作的时间。
Python 函数风格的示例可能如下所示：
除了风格外， 文件还包含签名，这些签名充当模型与运行模型的服务器之间的数据协定。
有两种类型的签名：
- 基于列：用于以 作为输入的表格数据。
- 基于张量：用于 n 维数组或张量（通常用于文本或图像等非结构化数据），以 作为输入。
由于 文件是在注册模型时创建的，因此签名也在注册模型时创建。 启用 MLflow 的自动日志记录时，签名将以尽最大努力的方式推断出来。 如果希望签名不同，则需要手动记录模型。
部署模型时，签名的输入和输出非常重要。 将 Azure 机器学习的无代码部署用于 MLflow 模型时，将强制实施签名中设置的输入和输出。 换句话说，在将数据发送到已部署的 MLflow 模型时，预期的输入和输出需要匹配签名中定义的架构。
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容，请联系我们，一经查实，本站将立刻删除。
如需转载请保留出处：https://51itzy.com/kjqy/139463.html