22、利用 MLflow 和 MLeap 管理与服务模型

利用 MLflow 和 MLeap 管理与服务模型

在机器学习模型的开发与应用中，有效管理和服务模型是至关重要的环节。MLflow 作为一个集成于 Azure Databricks 的开源平台，为我们提供了从训练到部署的端到端模型生命周期管理解决方案。本文将深入探讨如何使用 MLflow 管理机器学习模型，包括模型注册、阶段转换以及实际应用示例。

技术要求

在开始使用 MLflow 管理模型之前，需要满足以下技术要求：
- 拥有 Azure Databricks 订阅。
- 一个连接到运行集群的 Azure Databricks 笔记本，该集群使用的 Databricks Runtime for Machine Learning（Databricks Runtime ML）版本需为 7.0 或更高。

MLflow 核心概念

在深入了解如何使用 MLflow 管理模型之前，我们先来了解一些与之相关的核心概念：
| 概念 | 描述 |
| — | — |
| 模型（Model） | 通过 mlflow.[model-flavor].log_model 方法从实验或运行中记录到注册表的实际 MLflow 模型，之后可在模型注册表中注册。 |
| 注册模型（Registered Model） | 先记录到模型注册表，后在模型仓库中注册的模型，需有唯一名称，并具备版本、谱系和其他相关工件等属性。 |
| 模型阶段（Model Stage） | 模型在 MLflow 中可以处于一个或多个可用阶段，包括 None、Staging、Production 和 Archived