MLflow¶
关于此页
这是在 BentoML 中使用 MLflow 的 API 参考。有关如何在 BentoML 中使用 MLflow 的更多信息，请参阅 MLflow 指南。
注意
您可以在我们的 examples/mlflow 目录下找到更多 MLflow 的示例。
- bentoml.mlflow.import_model(name: Tag | str, model_uri: str, *, signatures: dict[str, ModelSignature] | dict[str, ModelSignatureDict] | None = None, labels: dict[str, str] | None = None, custom_objects: dict[str, t.Any] | None = None, external_modules: t.List[ModuleType] | None = None, metadata: dict[str, t.Any] | None = None) bentoml.Model¶
将 MLflow 模型从 artifact URI 导入到 BentoML 模型库。
- 参数：
name – 在 BentoML 库中赋予模型的名称。这必须是有效的
Tag名称。model_uri – 要保存的 MLflow 模型。
signatures – 要使用的 predict 方法的签名。如果未提供，签名默认为 {“predict”: {“batchable”: False}}。有关更多详细信息，请参阅
ModelSignature。labels – 与模型关联的一组默认管理标签。例如：
{"training-set": "data-v1"}。custom_objects – 要随模型一起保存的自定义对象。例如 {"my-normalizer": normalizer}。自定义对象使用 cloudpickle 序列化。
metadata –
与模型关联的元数据。例如
{"param_a": .2}。元数据旨在用于模型管理 UI 中显示，因此元数据字典中的所有值都必须是 Python 基本类型，例如
str或int。
- 返回值：
一个
Model实例，引用了本地 BentoML 模型库中保存的模型。
示例
import bentoml bentoml.mlflow.import_model( 'my_mlflow_model', model_uri="runs:/<mlflow_run_id>/run-relative/path/to/model", signatures={ "predict": {"batchable": True}, } )
- bentoml.mlflow.load_model(bento_model: str | Tag | Model) mlflow.pyfunc.PyFuncModel¶
从本地 BentoML 模型库加载具有给定 tag 的 MLflow PyFunc 模型。
- 参数：
bento_model – 要从库中获取的模型的 tag，或一个 BentoML
~bentoml.Model实例，用于从中加载模型。- 返回值：
从 BentoML 模型库加载为 PyFuncModel 的 MLflow 模型。
示例
import bentoml pyfunc_model = bentoml.mlflow.load_model('my_model:latest') pyfunc_model.predict( input_df )
- bentoml.mlflow.get(tag: t.Union[Tag, str], *, _model_store: ModelStore = <simple_di.providers.SingletonFactory object>, model_aliases: t.Dict[str, str] = <simple_di.providers.Static object>) Model¶
按 tag 获取模型。如果 tag 是字符串，将在 model_aliases dict 中查找。