Model API

Wprowadzenie do MLflow

Weston Bassler

Senior MLOps Engineer

MLflow REST API

api

1 istock.com
Wprowadzenie do MLflow

Model API

  • Zapisywanie

  • Rejestrowanie

  • Wczytywanie

Scikit-Learn

1 wikipedia.org
Wprowadzenie do MLflow

Funkcje Model API

# Save a model to the local filesystem
mlflow.sklearn.save_model(model, path)

# Log a model as an artifact to MLflow Tracking.
mlflow.sklearn.log_model(model, artifact_path)

# Load a model from local filesystem or from MLflow Tracking.
mlflow.sklearn.load_model(model_uri)
Wprowadzenie do MLflow

Wczytywanie modelu

  • Lokalny system plików - relative/path/to/local/model lub /Users/me/path/to/local/model

  • MLflow Tracking - runs:/<mlflow_run_id>/run-relative/path/to/model

  • Obsługa S3 - s3://my_bucket/path/to/model

Wprowadzenie do MLflow

Zapisywanie modelu

# Model
lr = LogisticRegression()
lr.fit(X, y)


# Save model locall
mlflow.sklearn.save_model(lr, "local_path")

ls local_path/

MLmodel            model.pkl        requirements.txt        python_env.yaml
Wprowadzenie do MLflow

Wczytywanie modelu lokalnego

# Load model from local path
model = mlflow.sklearn.load_model("local_path")


# Show model
model

LogisticRegression()
Wprowadzenie do MLflow

Rejestrowanie modelu

# Model
lr = LogisticRegression(n_jobs=n_jobs)
lr.fit(X, y)


# Log model
mlflow.sklearn.log_model(lr, "tracking_path")
Wprowadzenie do MLflow

Interfejs śledzenia

Interfejs śledzenia

Wprowadzenie do MLflow

Ostatnie aktywne uruchomienie

# Format for runs
runs:/<mlflow_run_id>/run-relative/path/to/model

# Get last active run
run = mlflow.last_active_run()

run

<Run: data=<RunData: metrics={}, params={}, 
tags={'mlflow.runName': 'run_name'}>, 
 info=<RunInfo: artifact_uri='uri', end_time='end_time', 
 experiment_id='0', lifecycle_stage='active', run_id='run_id', 
 run_name='name', run_uuid='run_uuid', start_time=start_time, 
 status='FINISHED', user_id='user_id'>>
Wprowadzenie do MLflow

ID ostatniego aktywnego uruchomienia

# Get last active run
run = mlflow.last_active_run()

# Show run_id of last run
run.info.run_id

'8c2061731caf447e805a2ac65630e70c'
Wprowadzenie do MLflow

Ustawianie identyfikatora uruchomienia

# Get last active run
run = mlflow.last_active_run()

# Set run_id variable
run_id = run.info.run_id

run_id

'8c2061731caf447e805a2ac65630e70c'
Wprowadzenie do MLflow

Wczytywanie modelu z MLflow Tracking

# Pass run_id as f-string literal
model = mlflow.sklearn.load_model(f"runs:/{run_id}/tracking_path")

# Show model
model

LogisticRegression()
Wprowadzenie do MLflow

Czas na ćwiczenia!

Wprowadzenie do MLflow

Preparing Video For Download...