Distribuera Python-kod med modellservering
I den här artikeln beskrivs hur du distribuerar Python-kod med modellservering.
MLflows Python-funktion, pyfunc, ger flexibilitet att distribuera valfri Python-kod eller någon Python-modell. Följande är exempelscenarier där du kanske vill använda guiden.
- Din modell kräver förbearbetning innan indata kan skickas till modellens förutsägelsefunktion.
- Ditt modellramverk stöds inte internt av MLflow.
- Ditt program kräver att modellens råutdata efterbearbetas för förbrukning.
- Själva modellen har förgreningslogik per begäran.
- Du vill distribuera helt anpassad kod som modell.
Skapa en anpassad MLflow Python-funktionsmodell
MLflow erbjuder möjligheten att logga Python-kod med det anpassade Python-modellformatet.
Det finns två nödvändiga funktioner när du paketerar godtycklig python-kod med MLflow:
load_context- Allt som behöver läsas in bara en gång för att modellen ska fungera ska definieras i den här funktionen. Detta är viktigt så att systemet minimerar antalet artefakter som läses in underpredictfunktionen, vilket påskyndar slutsatsdragningen.predict– den här funktionen innehåller all logik som körs varje gång en indatabegäran görs.
Logga din Python-funktionsmodell
Även om du skriver din modell med anpassad kod kan du använda delade kodmoduler från din organisation. Med parametern code_path kan modellerförfattare logga fullständiga kodreferenser som läses in i sökvägen och som kan användas från andra anpassade pyfunc modeller.
Om en modell till exempel loggas med:
mlflow.pyfunc.log_model(CustomModel(), "model", code_path = ["preprocessing_utils/"])
Kod från preprocessing_utils är tillgänglig i modellens inlästa kontext. Följande är en exempelmodell som använder den här koden.
class CustomModel(mlflow.pyfunc.PythonModel):
def load_context(self, context):
self.model = torch.load(context.artifacts["model-weights"])
from preprocessing_utils.my_custom_tokenizer import CustomTokenizer
self.tokenizer = CustomTokenizer(context.artifacts["tokenizer_cache"])
def format_inputs(self, model_input):
# insert some code that formats your inputs
pass
def format_outputs(self, outputs):
predictions = (torch.sigmoid(outputs)).data.numpy()
return predictions
def predict(self, context, model_input):
model_input = self.format_inputs(model_input)
outputs = self.model.predict(model_input)
return self.format_outputs(outputs)
Hantera din modell
När du har loggat din anpassade pyfunc modell kan du registrera den i Unity-katalogen eller arbetsyteregistret och hantera din modell till en modellserverslutpunkt.
Notebook-exempel
Följande notebook-exempel visar hur du anpassar modellutdata när råutdata från den efterfrågade modellen måste bearbetas efter förbrukning.