19、机器学习模型训练与部署：MLflow与SageMaker的高效实践

机器学习模型训练与部署：MLflow与SageMaker的高效实践

1. MLflow与SageMaker的容器构建与模型部署

1.1 用MLflow构建SageMaker容器

在本地机器上，只需一个命令即可完成：

$ mlflow sagemaker build-and-push-container

MLflow会自动构建一个与SageMaker兼容的Docker容器，并安装所有必需的依赖项。之后，它会在Amazon ECR中创建一个名为 mlflow-pyfunc 的存储库，并将镜像推送到该存储库。当然，这需要你正确设置AWS凭证，MLflow将使用AWS CLI配置的默认区域。命令完成后，你可以在ECR中看到该镜像。

1.2 用MLflow在本地部署模型

步骤如下：
1. 使用以下命令在本地部署模型，需传入运行标识符（可在MLflow运行的URL中看到）和要使用的HTTP端口，这将启动一个基于gunicorn的本地Web应用程序：

$ mlflow sagemaker run-local -p 8888 -m runs:/d08ab8383ee84f72a92164d3ca548693/dm-xgboost-model

你会看到类似如下的输出：

[2021-05-26 20:21:23 +00