MLflow【部署 01】MLflow官网Quick Start实操（一篇学会部署使用MLflow）

本文主要是介绍MLflow【部署 01】MLflow官网Quick Start实操（一篇学会部署使用MLflow），希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

Learn in 5 minutes how to log,register,and load a model for inference. 在5分钟内学习如何记录、注册和加载模型用于推理。

1.版本及环境

本文基于2.9.2版本进行说明，内容来自官方文档：https://www.mlflow.org/docs/2.9.2/getting-started/intro-quickstart/index.html，测试环境说明：

# 1.服务器系统版本
CentOS Linux release 7.9.2009 (Core)# 2.使用conda创建的虚拟环境【conda create -n mlflow python=3.8】
(mlflow) [root@tcloud /]# python -V
Python 3.8.18

2.官方步骤

Step-1 Get MLflow

# 官方步骤
pip install mlflow# 实际操作【限制版本 否则会安装最新版本】
pip install mlflow==2.9.2

Step-2 Start a Tracking Server

# 官方步骤
mlflow server --host 127.0.0.1 --port 8080
# 启动日志【删除了时间信息】
[5027] [INFO] Starting gunicorn 21.2.0
[5027] [INFO] Listening at: http://127.0.0.1:8080 (5027)
[5027] [INFO] Using worker: sync
[5030] [INFO] Booting worker with pid: 5030
[5031] [INFO] Booting worker with pid: 5031
[5032] [INFO] Booting worker with pid: 5032
[5033] [INFO] Booting worker with pid: 5033# 实际操作【使用的是腾讯云服务器】
mlflow server --host 0.0.0.0 --port 9090
# 启动日志【删除了时间信息】
[13020] [INFO] Starting gunicorn 21.2.0
[13020] [INFO] Listening at: http://0.0.0.0:9090 (13020)
[13020] [INFO] Using worker: sync
[13023] [INFO] Booting worker with pid: 13023
[13024] [INFO] Booting worker with pid: 13024
[13025] [INFO] Booting worker with pid: 13025
[13026] [INFO] Booting worker with pid: 13026

• –host 0.0.0.0 to listen on all network interfaces (or a specific interface address).

启动后，访问http://<host>:<port>可查看到页面：

如果使用的是 Databricks 未提供的托管 MLflow 跟踪服务器，或者运行本地跟踪服务器，请确保使用以下命令设置跟踪服务器的 URI：

import mlflowmlflow.set_tracking_uri(uri="http://<host>:<port>")

如果未在运行时环境中设置此项，则运行将记录到本地文件系统。

Step 3 - Train a model and prepare metadata for logging

在本部分中，我们将使用 MLflow 记录模型。这些步骤的快速概述如下：

• 加载并准备用于建模的 Iris 数据集。
• 训练逻辑回归模型并评估其性能。
• 准备模型超参数并计算日志记录指标。

官方代码如下：

import mlflow
from mlflow.models import infer_signatureimport pandas as pd
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score# Load the Iris dataset
X, y = datasets.load_iris(return_X_y=True)# Split the data into training and test sets
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42
)# Define the model hyperparameters
params = {"solver": "lbfgs","max_iter": 1000,"multi_class": "auto","random_state": 8888,
}# Train the model
lr = LogisticRegression(**params)
lr.fit(X_train, y_train)# Predict on the test set
y_pred = lr.predict(X_test)# Calculate metrics
accuracy = accuracy_score(y_test, y_pred)

Step 4 - Log the model and its metadata to MLflow

这个步骤将使用我们训练的模型、为模型拟合指定的超参数，以及通过评估模型对要记录到 MLflow 的测试数据的性能来计算的损失指标。步骤如下：

• 启动 MLflow 运行上下文以启动新运行，我们将模型和元数据记录到该运行。
• 记录模型参数和性能指标。
• 标记运行以便于检索。
• 在记录（保存）模型时，在 MLflow 模型注册表中注册模型。

官方代码如下：

# Set our tracking server uri for logging
mlflow.set_tracking_uri(uri="http://127.0.0.1:8080")# Create a new MLflow Experiment
mlflow.set_experiment("MLflow Quickstart")# Start an MLflow run
with mlflow.start_run():# Log the hyperparametersmlflow.log_params(params)# Log the loss metricmlflow.log_metric("accuracy", accuracy)# Set a tag that we can use to remind ourselves what this run was formlflow.set_tag("Training Info", "Basic LR model for iris data")# Infer the model signaturesignature = infer_signature(X_train, lr.predict(X_train))# Log the modelmodel_info = mlflow.sklearn.log_model(sk_model=lr,artifact_path="iris_model",signature=signature,input_example=X_train,registered_model_name="tracking-quickstart",)

Step 5 - Load the model as a Python Function (pyfunc) and use it for inference

记录模型后，我们可以通过以下方式执行推理：

• 使用 MLflow 的 pyfunc 风格加载模型。
• 使用加载的模型对新数据运行 Predict。

官方源码如下：

# Load the model back for predictions as a generic Python Function model
loaded_model = mlflow.pyfunc.load_model(model_info.model_uri)predictions = loaded_model.predict(X_test)iris_feature_names = datasets.load_iris().feature_namesresult = pd.DataFrame(X_test, columns=iris_feature_names)
result["actual_class"] = y_test
result["predicted_class"] = predictionsresult[:4]

Step 6 - View the Run in the MLflow UI

官方带注释的示例：

实际执行示例：

官方运行详情图片：

实际运行详情图片：

查看生成的模型：

恭喜你完成了 MLflow 跟踪快速入门！

3.总结

• 安装简单
• 快速入门不难
• 能够灵活应用需要进行更多的学习

这篇关于MLflow【部署 01】MLflow官网Quick Start实操（一篇学会部署使用MLflow）的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---