MLFlow¶

Sie können MLflow-Modelle verwenden, die PyFunc unterstützen. Wenn Ihr MLFlow-Modell eine Signatur hat, wird das signature-Argument aus dem Modell abgeleitet. Andernfalls müssen Sie entweder signature oder sample_input_data angeben.

Die folgenden zusätzlichen Optionen können im options-Dictionary verwendet werden, wenn Sie log_model abrufen:

Option	Beschreibung
`model_uri`	Die URI der Artefakte des MLFlow-Modells. Muss angegeben werden, wenn es in den Metadaten des Modells nicht als `model.metadata.get_model_info().model_uri` verfügbar ist.
`ignore_mlflow_metadata`	Wenn `True`, werden die Metadaten des Modells nicht in das Modellobjekt in der Registry importiert. Standard: `False`
`ignore_mlflow_dependencies`	Wenn `True`, werden die Abhängigkeiten in den Metadaten des Modells ignoriert, was aufgrund der Einschränkungen hinsichtlich der verfügbaren Pakete in Snowflake-Warehouses nützlich ist. Standard: `False`

Beispiel¶

import mlflow
from sklearn import datasets, model_selection, ensemble

db = datasets.load_diabetes(as_frame=True)
X_train, X_test, y_train, y_test = model_selection.train_test_split(db.data, db.target)
with mlflow.start_run() as run:
    rf = ensemble.RandomForestRegressor(n_estimators=100, max_depth=6, max_features=3)
    rf.fit(X_train, y_train)

    # Use the model to make predictions on the test dataset.
    predictions = rf.predict(X_test)
    signature = mlflow.models.signature.infer_signature(X_test, predictions)
    mlflow.sklearn.log_model(
        rf,
        "model",
        signature=signature,
    )
    run_id = run.info.run_id


model_ref = registry.log_model(
    mlflow.pyfunc.load_model(f"runs:/{run_id}/model"),
    model_name="mlflowModel",
    version_name="v1",
    conda_dependencies=["mlflow<=2.4.0", "scikit-learn", "scipy"],
    options={"ignore_mlflow_dependencies": True}
)
model_ref.run(X_test)

Copy