在 Unity Catalog 中管理模型生命周期

本文介绍如何使用 Unity Catalog 中的模型作为机器学习工作流的一部分来管理 ML 模型的整个生命周期。 Databricks 提供 Unity Catalog 中的 MLflow 模型注册表的托管版本。 Unity Catalog 中的模型将 Unity Catalog 的优势扩展到 ML 模型，包括跨工作区的集中访问控制、审核、世系和模型发现。 Unity Catalog 中的模型与开源 MLflow Python 客户端兼容。

有关模型注册表概念的概述性介绍，请参阅使用 MLflow 进行 ML 生命周期管理。

要求

1. 必须在工作区中启用 Unity Catalog。 若要创建 Unity Catalog 元存储、在工作区中启用它和创建目录，请参阅开始使用 Unity Catalog。 如果未启用 Unity Catalog，请使用经典工作区模型注册表。

2. 必须使用有权访问 Unity Catalog 的计算资源。 对于 ML 工作负载，这意味着计算的访问模式必须是单用户。 有关详细信息，请参阅访问模式。

3. 若要创建新的已注册模型，需要以下权限：

   • 对架构及其封闭目录具有 USE SCHEMA 和 USE CATALOG 特权。
   • 对架构具有 CREATE_MODEL 特权。 若要授予此特权，请使用目录资源管理器 UI 或以下 SQL GRANT 命令：

   GRANT CREATE_MODEL ON SCHEMA <schema-name> TO <principal>
   

为 Unity Catalog 安装和配置 MLflow 客户端

本部分包括有关为 Unity Catalog 安装和配置 MLflow 客户端的说明。

安装 MLflow Python 客户端

Unity Catalog 中的模型支持包含在 Databricks Runtime 13.2 ML 及更高版本中（Azure 中国 Databricks Runtime 15.0 ML 及更高版本）。

还可以在 Databricks Runtime 11.3 LTS 及更高版本中使用 Unity Catalog 中的模型，方法是在笔记本中使用以下代码安装最新版本的 MLflow Python 客户端。

%pip install --upgrade "mlflow-skinny[databricks]"
dbutils.library.restartPython()

配置 MLflow 客户端以访问 Unity Catalog 中的模型

如果工作区的默认目录位于 Unity Catalog 中（而不是 hive_metastore 中），并且你在运行使用 Databricks Runtime 13.3 LTS 或更高版本（由世纪互联运营的 Azure 区域中的 Databricks Runtime 15.0 或更高版本）的群集，则模型会自动在默认目录中创建和加载。 不必执行此步骤。

对于其他工作区，MLflow Python 客户端会在 Databricks 工作区模型注册表中创建模型。 若要升级到 Unity Catalog 中的模型，请在笔记本中使用以下代码来配置 MLflow 客户端：

import mlflow
mlflow.set_registry_uri("databricks-uc")

对于少数工作区，如果默认目录在 2024 年 1 月之前配置为 Unity Catalog 中的目录，并且工作区模型注册表是在 2024 年 1 月之前使用的，则必须使用上面显示的命令手动将默认目录设置为 Unity Catalog。

训练和注册与 Unity Catalog 兼容的模型

所需的权限：若要创建新的已注册模型，需要对包含的架构具有 CREATE_MODEL 和 USE SCHEMA 权限，对包含的目录具有 USE CATALOG 权限。 若要在已注册的模型下创建新的模型版本，你必须是已注册模型的所有者，并且对包含该模型的架构和目录具有 USE SCHEMA 和 USE CATALOG 权限。

UC 中的 ML 模型版本必须具有模型签名。 如果尚未在模型训练工作负载中记录带有签名的 MLflow 模型，你可以：

• 使用 Databricks 自动日志记录功能，它会自动为许多常见 ML 框架记录带有签名的模型。 有关支持的框架，请参阅 MLflow 文档。
• 使用 MLflow 2.5.0 及更高版本时，可以在 mlflow.<flavor>.log_model 调用中指定一个输入示例，随即会自动推断模型签名。 有关详细信息，请参阅 MLflow 文档。

然后，以 <catalog>.<schema>.<model> 的形式将模型的三级名称传递给 MLflow API。

本部分中的示例在 prod 目录下的 ml_team 架构中创建和访问模型。

本部分中的模型训练示例创建了一个新的模型版本并将其注册到了 prod 目录中。 使用 prod 目录并不一定意味着模型版本服务于生产流量。 模型版本的封闭目录、架构和已注册模型反映了它的环境 (prod) 和关联的治理规则（例如，可以设置权限，以便只有管理员可以从 prod 目录中删除），但未反映其部署状态。 要管理部署状态，请使用模型别名。

使用自动日志记录功能将模型注册到 Unity Catalog

若要注册模型，请使用 MLflow 客户端 API register_model() 方法。 请参阅 mlflow.register_model。

from sklearn import datasets
from sklearn.ensemble import RandomForestClassifier

# Train a sklearn model on the iris dataset
X, y = datasets.load_iris(return_X_y=True, as_frame=True)
clf = RandomForestClassifier(max_depth=7)
clf.fit(X, y)

# Note that the UC model name follows the pattern
# <catalog_name>.<schema_name>.<model_name>, corresponding to
# the catalog, schema, and registered model name
# in Unity Catalog under which to create the version
# The registered model will be created if it doesn't already exist
autolog_run = mlflow.last_active_run()
model_uri = "runs:/{}/model".format(autolog_run.info.run_id)
mlflow.register_model(model_uri, "prod.ml_team.iris_model")

使用 API 注册模型

mlflow.register_model(
  "runs:/<run_uuid>/model", "prod.ml_team.iris_model"
)

使用自动推断的签名将模型注册到 Unity Catalog

MLflow 2.5.0 及更高版本支持自动推断的签名，Databricks Runtime 11.3 LTS ML 及更高版本也支持。 若要使用自动推断的签名，请使用以下代码在笔记本中安装最新的 MLflow Python 客户端：

%pip install --upgrade "mlflow-skinny[databricks]"
dbutils.library.restartPython()

以下代码演示了自动推断的签名示例。

from sklearn import datasets
from sklearn.ensemble import RandomForestClassifier

with mlflow.start_run():
    # Train a sklearn model on the iris dataset
    X, y = datasets.load_iris(return_X_y=True, as_frame=True)
    clf = RandomForestClassifier(max_depth=7)
    clf.fit(X, y)
    # Take the first row of the training dataset as the model input example.
    input_example = X.iloc[[0]]
    # Log the model and register it as a new version in UC.
    mlflow.sklearn.log_model(
        sk_model=clf,
        artifact_path="model",
        # The signature is automatically inferred from the input example and its predicted output.
        input_example=input_example,
        registered_model_name="prod.ml_team.iris_model",
    )

使用 UI 注册模型

执行以下步骤：

1. 在试验运行页中，单击 UI 右上角的“注册模型”。

2. 在对话框中，选择 Unity Catalog，并从下拉列表中选择一个目标模型。

   

3. 单击“注册”。

   

注册模型可能需要一段时间。 若要监视进度，请导航到 Unity Catalog 中的目标模型并定期刷新。

使用别名部署模型

模型别名让你能够将可变的命名引用分配给已注册的模型的特定版本。 可以使用别名来指示模型版本的部署状态。 例如，可以将“Champion”别名分配给当前生产中的模型版本，并在使用生产模型的工作负载中将此别名作为目标。 然后，可以通过将“Champion”别名重新分配给其他模型版本来更新生产模型。

在模型上设置和删除别名

所需的权限：是已注册的模型的所有者，并且对包含该模型的架构和目录具有 USE SCHEMA 和 USE CATALOG 权限。

可以使用目录资源管理器 在 Unity Catalog 中设置、更新和删除模型的别名。 可以在模型详细信息页中跨已注册的模型管理别名，并在模型版本详细信息页中为特定模型版本配置别名。

要使用 MLflow 客户端 API 设置、更新和删除别名，请参阅以下示例：

from mlflow import MlflowClient
client = MlflowClient()

# create "Champion" alias for version 1 of model "prod.ml_team.iris_model"
client.set_registered_model_alias("prod.ml_team.iris_model", "Champion", 1)

# reassign the "Champion" alias to version 2
client.set_registered_model_alias("prod.ml_team.iris_model", "Champion", 2)

# get a model version by alias
client.get_model_version_by_alias("prod.ml_team.iris_model", "Champion")

# delete the alias
client.delete_registered_model_alias("prod.ml_team.iris_model", "Champion")

有关别名客户端 API 的更多详细信息，请参阅 MLflow API 文档。

按别名加载推理工作负载的模型版本

所需的权限：在已注册的模型上拥有 EXECUTE 权限，并且对包含该模型的架构和目录具有 USE SCHEMA 和 USE CATALOG 权限。

批量推理工作负载可以通过别名引用模型版本。 下面的代码段加载并应用“Champion”模型版本进行批推理。 如果“Champion”版本已更新为引用新的模型版本，批处理推理工作负载会在下次执行时自动选取它。 这样，就可以将模型部署与批量推理工作负载分开。

import mlflow.pyfunc
model_version_uri = "models:/prod.ml_team.iris_model@Champion"
champion_version = mlflow.pyfunc.load_model(model_version_uri)
champion_version.predict(test_x)

模型服务终结点还可以通过别名引用模型版本。 可以写入部署工作流以通过别名获取模型版本，并使用模型服务 REST API 更新模型服务端点以服务该版本。 例如：

import mlflow
import requests
client = mlflow.tracking.MlflowClient()
champion_version = client.get_model_version_by_alias("prod.ml_team.iris_model", "Champion")
# Invoke the model serving REST API to update endpoint to serve the current "Champion" version
model_name = champion_version.name
model_version = champion_version.version
requests.request(...)

按版本号加载推理工作负载的模型版本

还可以按版本号加载模型版本：

import mlflow.pyfunc
# Load version 1 of the model "prod.ml_team.iris_model"
model_version_uri = "models:/prod.ml_team.iris_model/1"
first_version = mlflow.pyfunc.load_model(model_version_uri)
first_version.predict(test_x)

跨工作区共享模型

与同一区域中的用户共享模型

只要拥有适当的权限，就可以从任何工作区访问 Unity Catalog 中的模型，前提是该工作区附加到了包含该模型的元存储。 例如，可以从开发工作区的 prod 目录中访问模型，以便于将新开发的模型与产品基线进行比较。

若要与其他用户协作处理你创建的已注册模型（拥有共享写入权限），你必须将模型的所有权授予包含你自己和你要与之协作的用户的组。 协作者还必须对包含该模型的目录和架构具有 USE CATALOG 和 USE SCHEMA 权限。 有关详细信息，请参阅 Unity Catalog 权限和安全对象。

与其他区域或帐户中的用户共享模型

若要与其他区域或帐户中的用户共享模型，请使用增量共享 Databricks 到 Databricks 共享流。 请参阅将模型添加到共享（面向提供方）和在 Databricks 到 Databricks 模型中获取访问权限（面向接收方）。 作为接收方，基于共享创建目录后，可以像访问 Unity Catalog 中的任何其他模型一样访问该共享目录中的模型。

跟踪 Unity Catalog 中的模型的数据世系

在 Unity Catalog 中的表中训练模型时，可以将模型的世系跟踪到已对其进行训练和评估的上游数据集。 为此，请使用 mlflow.log_input。 这会使用生成模型的 MLflow 运行保存输入表信息。 对于使用功能存储 API 记录的模型，也会自动捕获数据世系。 请参阅功能治理和世系。

将模型注册到 Unity Catalog 时，世系信息会自动保存，并显示在目录资源管理器中模型版本 UI 的“世系”选项卡中。

以下代码展示了一个示例。

import mlflow
import pandas as pd
import pyspark.pandas as ps
from sklearn.datasets import load_iris
from sklearn.ensemble import RandomForestRegressor

# Write a table to Unity Catalog
iris = load_iris()
iris_df = pd.DataFrame(iris.data, columns=iris.feature_names)
iris_df.rename(
  columns = {
    'sepal length (cm)':'sepal_length',
    'sepal width (cm)':'sepal_width',
    'petal length (cm)':'petal_length',
    'petal width (cm)':'petal_width'},
  inplace = True
)
iris_df['species'] = iris.target
ps.from_pandas(iris_df).to_table("prod.ml_team.iris", mode="overwrite")

# Load a Unity Catalog table, train a model, and log the input table
dataset = mlflow.data.load_delta(table_name="prod.ml_team.iris", version="0")
pd_df = dataset.df.toPandas()
X = pd_df.drop("species", axis=1)
y = pd_df["species"]
with mlflow.start_run():
    clf = RandomForestRegressor(n_estimators=100)
    clf.fit(X, y)
    mlflow.log_input(dataset, "training")
    # Take the first row of the training dataset as the model input example.
    input_example = X.iloc[[0]]
    # Log the model and register it as a new version in UC.
    mlflow.sklearn.log_model(
        sk_model=clf,
        artifact_path="model",
        # The signature is automatically inferred from the input example and its predicted output.
        input_example=input_example,
        registered_model_name="prod.ml_team.iris_classifier",
    )

控制对模型的访问

在 Unity Catalog 中，已注册的模型是 FUNCTION 安全对象的子类型。 若要授予对 Unity Catalog 中注册的模型的访问权限，可以使用 GRANT ON FUNCTION。 有关详细信息，请参阅 Unity Catalog 权限和安全对象。 有关跨目录和架构组织模型的最佳做法，请参阅整理数据。

你可以使用授权 REST API 以编程方式配置模型权限。 配置模型权限时，请在 REST API 请求中将 securable_type 设置为 "FUNCTION"。 例如，使用 PATCH /api/2.1/unity-catalog/permissions/function/{full_name} 更新已注册的模型权限。

在 UI 中查看模型

所需的权限：若要在 UI 中查看已注册的模型及其模型版本，你需要对已注册的模型具有 EXECUTE 权限，并对包含该模型的架构和目录具有 USE SCHEMA 和 USE CATALOG 权限

可使用目录资源管理器在 Unity Catalog 中查看和管理已注册的模型和模型版本。

重命名模型

所需的权限：是已注册的模型的所有者、包含已注册模型的架构具有 CREATE_MODEL 权限，并且对包含该模型的架构和目录具有 USE SCHEMA 和 USE CATALOG 权限。

若要重命名已注册模型，请使用 MLflow 客户端 API rename_registered_model() 方法：

client=MlflowClient()
client.rename_registered_model("<full-model-name>", "<new-model-name>")

复制模型版本

可以在 Unity Catalog 中将模型版本从一个模型复制到另一个模型。

使用 UI 复制模型版本

执行以下步骤：

1. 在模型版本页中，单击 UI 右上角的“复制此版本”。

2. 从下拉列表中选择目标模型，然后单击“复制”。

   

复制模型可能需要一段时间。 若要监视进度，请导航到 Unity Catalog 中的目标模型并定期刷新。

使用 API 复制模型版本

若要复制模型版本，请使用 MLflow 的 copy_model_version() Python API：

client = MlflowClient()
client.copy_model_version(
  "models:/<source-model-name>/<source-model-version>",
  "<destination-model-name>",
)

删除模型或模型版本

所需的权限：是已注册的模型的所有者，并且对包含该模型的架构和目录具有 USE SCHEMA 和 USE CATALOG 权限。

可以使用目录资源管理器 UI 或 API 删除已注册模型或已注册模型内的模型版本。

使用 UI 删除模型版本或模型

若要删除 Unity Catalog 中的模型或模型版本，请按照以下步骤操作。

1. 在模型页面或者模型版本页面上，单击右上角的串行菜单 。

   从模型页面：

   

   从模型版本页面：

   

2. 选择“删除”。

3. 此时会出现确认对话框。 单击“删除”进行确认。

使用 API 删除模型版本或模型

若要删除模型版本，请使用 MLflow 客户端 API delete_model_version() 方法：

# Delete versions 1,2, and 3 of the model
client = MlflowClient()
versions=[1, 2, 3]
for version in versions:
  client.delete_model_version(name="<model-name>", version=version)

若要删除模型，请使用 MLflow 客户端 API delete_registered_model() 方法：

client = MlflowClient()
client.delete_registered_model(name="<model-name>")

在模型上使用标记

标记是与已注册的模型和模型版本关联的键值对，它使你可按功能或状态标记和分类它们。 例如，可以将带有键 "task" 和值 "question-answering" 的标记（在 UI 中显示为 task:question-answering）应用于用于问题解答任务的已注册模型。 在模型版本级别，可以使用 validation_status:pending 标记正在进行部署前验证的版本，并使用 validation_status:approved 标记已经可以部署的版本。

所需的权限：是已注册的模型的所有者，或对其具有 APPLY_TAG 权限，并且对包含该模型的架构和目录具有 USE SCHEMA 和 USE CATALOG 权限。

请参阅使用 Catalog Explorer 添加和更新标记，了解如何使用 UI 设置和删除标记。

要使用 MLflow 客户端 API 设置和删除标记，请参阅以下示例：

from mlflow import MlflowClient
client = MlflowClient()

# Set registered model tag
client.set_registered_model_tag("prod.ml_team.iris_model", "task", "classification")

# Delete registered model tag
client.delete_registered_model_tag("prod.ml_team.iris_model", "task")

# Set model version tag
client.set_model_version_tag("prod.ml_team.iris_model", "1", "validation_status", "approved")

# Delete model version tag
client.delete_model_version_tag("prod.ml_team.iris_model", "1", "validation_status")

已注册的模型和模型版本标记都必须满足平台范围的约束。

有关标记客户端 API 的更多详细信息，请参阅 MLflow API 文档。

为模型或模型版本添加说明（注释）

所需的权限：是已注册的模型的所有者，并且对包含该模型的架构和目录具有 USE SCHEMA 和 USE CATALOG 权限。

可以在 Unity Catalog 中包括任何模型或模型版本的文本说明。 例如，你可以提供有关所用方法和算法的相关问题或信息的概述性介绍。

使用 UI 向模型添加说明

若要为模型添加说明，可以使用 AI 生成的注释，也可以输入自己的注释。 可根据需要编辑 AI 生成的注释。

• 若要添加自动生成的注释，请单击“AI 生成”按钮。
• 若要添加自己的注释，请单击“添加”。 在对话框中输入注释，然后单击“保存”。

使用 UI 向模型版本添加说明

若要向 Unity Catalog 中的模型版本添加说明，请按照以下步骤操作：

1. 在模型版本页上，单击“说明”下的铅笔图标。

   

2. 在对话框中输入注释，然后单击“保存”。

使用 API 向模型或模型版本添加说明

若要更新已模型模型的说明，请使用 MLflow 客户端 API update_registered_model() 方法：

client = MlflowClient()
client.update_registered_model(
  name="<model-name>",
  description="<description>"
)

若要更新模型版本说明，请使用 MLflow 客户端 API update_model_version() 方法：

client = MlflowClient()
client.update_model_version(
  name="<model-name>",
  version=<model-version>,
  description="<description>"
)

列出和搜索模型

若要获取 Unity Catalog 中已注册模型的列表，请使用 MLflow 的 search_registered_models() Python API：

client=MlflowClient()
client.search_registered_models()

若要搜索特定模型名称并获取有关该模型版本的信息，请使用 search_model_versions()：

from pprint import pprint

client=MlflowClient()
[pprint(mv) for mv in client.search_model_versions("name='<model-name>'")]

下载模型文件（高级用例）

在大多数情况下，若要加载模型，应使用 mlflow.pyfunc.load_model 或 mlflow.<flavor>.load_model 等 MLflow API（例如，对 HuggingFace 模型使用 mlflow.transformers.load_model）。

在某些情况下，可能需要下载模型文件来调试模型行为或模型加载问题。 可以使用 mlflow.artifacts.download_artifacts 下载模型文件，如下所示：

import mlflow
mlflow.set_registry_uri("databricks-uc")
model_uri = f"models:/{model_name}/{version}" # reference model by version or alias
destination_path = "/local_disk0/model"
mlflow.artifacts.download_artifacts(artifact_uri=model_uri, dst_path=destination_path)

跨环境提升模型

Databricks 建议将 ML 管道部署为代码。 这样就无需跨环境提升模型，因为所有生产模型都可以通过生产环境中的自动训练工作流生成。

但是，在某些情况下，跨环境重新训练模型可能过于昂贵。 可以改为在 Unity Catalog 中跨已注册的模型复制模型版本，以便跨环境提升它们。

需要具有以下特权才能执行以下示例代码：

• staging 和 prod 目录上的 USE CATALOG。
• 在 staging.ml_team 和 prod.ml_team 架构上的 USE SCHEMA。
• staging.ml_team.fraud_detection 上的 EXECUTE。

此外，必须是已注册模型 prod.ml_team.fraud_detection 的所有者。

以下代码片段使用 copy_model_version MLflow 客户端 API，在 MLflow 2.8.0 及更高版本中可用。

import mlflow
mlflow.set_registry_uri("databricks-uc")

client = mlflow.tracking.MlflowClient()
src_model_name = "staging.ml_team.fraud_detection"
src_model_version = "1"
src_model_uri = f"models:/{src_model_name}/{src_model_version}"
dst_model_name = "prod.ml_team.fraud_detection"
copied_model_version = client.copy_model_version(src_model_uri, dst_model_name)

模型版本进入生产环境中后，可以执行任何必要的部署前验证。 然后，可以使用别名标记要部署的模型版本。

client = mlflow.tracking.MlflowClient()
client.set_registered_model_alias(name="prod.ml_team.fraud_detection", alias="Champion", version=copied_model_version.version)

在上面的示例中，只有能够从 staging.ml_team.fraud_detection 注册的模型读取和写入 prod.ml_team.fraud_detection 注册的模型的用户才能将暂存模型提升到生产环境。 同一用户还可以使用别名来管理在生产环境中部署的模型版本。 无需配置任何其他规则或策略即可管理模型提升和部署。

你可以自定义此流，以在与你的设置匹配的多个环境（例如 dev、qa 和 prod）中提升模型版本。 访问控制是按照每个环境中的配置强制实施的。

示例

此示例演示如何使用 Unity Catalog 中的模型来生成机器学习应用程序。

Unity Catalog 中的模型示例

将工作流和模型迁移到 Unity Catalog

Azure Databricks 建议使用 Unity Catalog 中的模型加强治理、在工作区和环境之间实现轻松共享，并享受到更加灵活的 MLOps 工作流。 该表比较了工作区模型注册表和 Unity Catalog 的功能。

功能	工作区模型注册表（旧版）	Unity Catalog 中的模型（建议）
通过命名别名引用模型版本	模型注册阶段：将模型版本移动到四个固定阶段之一，以便在该阶段引用它们。 无法重命名或添加阶段。	模型注册表别名：为每个注册模型创建最多 10 个自定义且可重新分配的模型版本命名引用。
为模型创建访问控制的环境	模型注册表阶段：使用一个注册模型中的阶段来表示其模型版本的环境，仅对四个固定阶段中的两个（Staging 和 Production）进行访问控制。	已注册模型：为 MLOps 工作流中的每个环境创建一个已注册模型，利用三级命名空间和 Unity Catalog 的权限来表达治理。
跨环境提升模型（部署模型）	使用 transition_model_version_stage() MLflow 客户端 API 将模型版本移动到不同阶段，这可能会破坏引用前一阶段的工作流。	使用 copy_model_version() MLflow 客户端 API 将模型版本从一个注册模型复制到另一个注册模型。
跨工作区访问和共享模型	跨工作区手动导出和导入模型，或使用个人访问令牌和工作区机密范围配置与远程模型注册表的连接。	现成地访问同一帐户中跨工作区的模型。 无需任何配置。
配置权限	在工作区级别设置权限。	在帐户级别设置权限，从而在工作区之间应用一致的治理。
访问 Databricks 市场中的模型	不可用。	将模型从 Databricks 市场加载到 Unity Catalog 元存储中，并跨工作区访问它们。

下面链接的文章介绍如何将工作区模型注册表中的工作流（模型训练和批量推理作业）和模型迁移到 Unity Catalog。

• 将 ML 工作流升级为以 Unity Catalog 中的模型作为目标
• 将模型升级到 Unity Catalog

限制

• Unity Catalog 中的模型不支持阶段。 Databricks 建议使用 Unity Catalog 中的三级命名空间来表达模型所处的环境，并使用别名来促进模型的部署。 有关详细信息，请参阅跨环境提升模型。
• Unity Catalog 中的模型不支持 Webhook。 请参阅升级指南中建议的替代方案。
• Unity Catalog 中的模型不支持某些搜索 API 字段和运算符。 通过使用支持的筛选器调用搜索 API 并扫描结果，可以缓解这种情况。 下面是一些示例：
  • search_model_versions 或 search_registered_models 客户端 API 中不支持 order_by 参数。
  • search_model_versions 或 search_registered_models 不支持基于标记的筛选器 (tags.mykey = 'myvalue')。
  • search_model_versions 或 search_registered_models 不支持除完全相等以外的运算符（例如 LIKE、ILIKE、!=）。
  • 不支持按名称（例如 MlflowClient().search_registered_models(filter_string="name='main.default.mymodel'")）搜索已注册的模型。 若要按名称提取特定已注册模型，请使用 get_registered_model。
• Unity Catalog 不支持有关已注册模型和模型版本的电子邮件通知和注释讨论线程。
• Unity Catalog 中的模型不支持活动日志。 若要跟踪 Unity Catalog 中模型的活动，请使用审核日志。
• 对于通过“增量共享”共享的模型，search_registered_models 可能会返回过时的结果。 若要确保返回最新结果，请使用 Databricks CLI 或 SDK 列出架构中的模型。