MLflow 中的工件和模型

本文介绍 MLflow 工件和 MLflow 模型，以及 MLflow 模型相比其他工件有何不同。 本文还介绍了 Azure 机器学习如何使用 MLflow 模型的特征来实现简化的部署工作流。

工件和模型

在 MLflow 中，记录简单文件工件和记录 MLflow 模型之间存在一些根本区别。

项目

工件是根据实验的运行或作业生成和捕获的任何文件。 工件可以是序列化为 pickle 文件的模型，PyTorch 或 TensorFlow 模型的权重，或者包含线性回归系数的文本文件。 某些工件与模型本身无关，但包含运行配置、预处理信息或示例数据。 工件可以采用多种格式。

以下示例记录了文件工件。

filename = 'model.pkl'
with open(filename, 'wb') as f:
  pickle.dump(model, f)

mlflow.log_artifact(filename)

型号

MLflow 模型是可以做出更有力假设的工件，以便在保存的文件与此类文件的含义之间提供明确的协定。 但是，如果只是将模型的文件记录为工件，则需要知道每个文件的含义，以及如何加载文件进行推理。

可以使用 MLflow SDK 记录 MLflow 模型，例如：

import mlflow
mlflow.sklearn.log_model(sklearn_estimator, "classifier")

在 Azure 机器学习中记录 MLflow 模型具有以下好处：

• 可以将 MLflow 模型部署到实时或批处理终结点，而无需提供评分脚本或环境。
• 部署 MLflow 模型时，部署会自动生成一个 swagger 文件，因此可以使用 Azure 机器学习工作室中的测试功能。
• 可以直接将 MLflow 模型用作管道输入。
• 可以将负责任 AI 仪表板与 MLflow 模型结合使用。

MLmodel 格式

对于记录为简单工件文件的模型，在加载模型以进行推理之前，需要知道模型生成器对于每个文件的预期。 但对于 MLflow 模型，可使用 MLmodel 格式加载模型，以指定工件之间的协定及其表示的内容。

MLmodel 格式会将资产存储在没有特定命名要求的文件夹中。 在资产中有一个名为 MLmodel 的文件，该文件是有关如何加载和使用模型的单一事实来源。

下图显示了 Azure 机器学习工作室中名为 credit_defaults_model 的 MLflow 模型文件夹。 该文件夹包含 MLmodel 文件和其他模型工件。

以下示例显示了一个 MLmodel 文件，该文件用于使用 fastai 训练的计算机视觉模型：

artifact_path: classifier
flavors:
  fastai:
    data: model.fastai
    fastai_version: 2.4.1
  python_function:
    data: model.fastai
    env: conda.yaml
    loader_module: mlflow.fastai
    python_version: 3.8.12
model_uuid: e694c68eba484299976b06ab9058f636
run_id: e13da8ac-b1e6-45d4-a9b2-6a0a5cfac537
signature:
  inputs: '[{"type": "tensor",
             "tensor-spec": 
                 {"dtype": "uint8", "shape": [-1, 300, 300, 3]}
           }]'
  outputs: '[{"type": "tensor", 
              "tensor-spec": 
                 {"dtype": "float32", "shape": [-1,2]}
            }]'

模型风格

考虑到可用的机器学习框架数量众多，MLflow 引入了风格 的概念，作为一种为所有机器学习框架提供唯一协定的方式。 风格指示使用特定框架创建的给定模型的预期情况。 例如，TensorFlow 拥有自己的风格，该风格指定了如何保留和加载 TensorFlow 模型。

由于每个模型风格都指示如何持久保存和加载给定框架的模型，因此 MLmodel 格式不会强制实施所有模型必须支持的单个序列化机制。 因此，每种风格都可以使用根据最佳做法提供最佳性能或最佳支持的方法，而不会影响与 MLmodel 标准的兼容性。

下面的示例显示了 fastai 模型的 flavors 部分。

flavors:
  fastai:
    data: model.fastai
    fastai_version: 2.4.1
  python_function:
    data: model.fastai
    env: conda.yaml
    loader_module: mlflow.fastai
    python_version: 3.8.12

模型签名

MLflow 模型签名 是模型规范的重要组成部分，因为它充当模型与运行模型的服务器之间的数据协定。 模型签名对于在部署时分析和强制实施模型的输入类型也很重要。 如果有签名可用，则 MLflow 会在将数据提交到模型时强制执行输入类型。 有关详细信息，请参阅 MLflow 签名强制实施。

在记录模型时会指示签名，并且会在 MLmodel 文件的 signature 部分中保留签名。 MLflow 中的 Autolog 功能会自动尽最大努力推断签名。 但是，如果推断的签名不是所需的签名，则可以手动记录模型。 有关详细信息，请参阅如何使用签名记录模型。

有两种类型的签名：

• 基于列的签名在表格数据上运行。 对于具有此签名的模型，MLflow 提供 pandas.DataFrame 对象作为输入。
• 基于张量的签名使用 n 维数组或张量运行。 对于使用此签名的模型，MLflow 提供 numpy.ndarray 作为输入，或为命名张量提供 numpy.ndarray 字典。

以下示例显示了使用 fastai 训练的计算机视觉模型的 signature 部分。 此模型会接收一批表示为形状 (300, 300, 3) 张量的图像，其 RGB 表示形式为无符号整数。 该模型会将预测批输出为两个类的概率。

signature:
  inputs: '[{"type": "tensor",
             "tensor-spec": 
                 {"dtype": "uint8", "shape": [-1, 300, 300, 3]}
           }]'
  outputs: '[{"type": "tensor", 
              "tensor-spec": 
                 {"dtype": "float32", "shape": [-1,2]}
            }]'

模型环境

要运行的模型的要求在 conda.yaml 文件中指定。 MLflow 可以自动检测依赖项，也可以通过调用 mlflow.<flavor>.log_model() 方法手动指示依赖项。 如果 MLflow 在环境中包含的库不是想要使用的库，则调用该方法可能会很有用。

以下 conda.yaml 示例显示了使用 fastai 框架创建的模型的环境：

channels:
- conda-forge
dependencies:
- python=3.8.5
- pip
- pip:
  - mlflow
  - astunparse==1.6.3
  - cffi==1.15.0
  - configparser==3.7.4
  - defusedxml==0.7.1
  - fastai==2.4.1
  - google-api-core==2.7.1
  - ipython==8.2.0
  - psutil==5.9.0
name: mlflow-env

Predict 函数

所有 MLflow 模型都包含一个 predict 函数，在使用无代码部署来部署模型时将调用该函数。 predict 函数返回的内容（例如类、概率或预测）取决于用于训练的框架或风格。 每种风格的文档都描述了其返回的内容。

可以自定义 predict 函数，以更改推理的执行方式。 可以记录具有不同行为的模型，也可以记录自定义模型风格。

用于加载 MLflow 模型的工作流

可以从以下位置加载 MLflow 模型：

• 直接从记录模型的运行位置
• 从保存模型的文件系统
• 从注册模型的模型注册表

MLflow 提供了一种加载这些模型的一致方法，而无需考虑位置。

有两个工作流可用于加载模型：

• 重新加载记录的相同对象和类型。 可以使用 MLflow SDK 加载模型，并获取类型属于训练库的模型实例。 例如，Open Neural Network Exchange (ONNX) 模型会返回一个 ModelProto对象，而使用 scikit-learn 训练的决策树模型会返回一个 DecisionTreeClassifier 对象。 使用 mlflow.<flavor>.load_model() 加载回已记录的相同模型对象和类型。

• 重新加载用于运行推理的模型。 可以使用 MLflow SDK 加载模型，并获取具有有保证 predict 函数的包装器。 使用哪种风格并不重要，因为每个 MLflow 模型都有一个 predict 函数。

  MLflow 保证可以使用类型为 pandas.DataFrame、numpy.ndarray 或 dict[string, numpyndarray] 的参数调用此函数，具体取决于模型签名。 MLflow 会将类型转换为模型预期的输入类型。 使用 mlflow.pyfunc.load_model() 加载回模型以运行推理。

相关内容

• 为 Azure 机器学习配置 MLflow
• 操作方法：记录 MLflow 模型
• 关于 MLflow 模型部署的指南