将 MLflow 模型部署到 Kubernetes
使用 MLServer 作为推理服务器
默认情况下，MLflow 部署使用 Flask（一个广泛使用的用于 Python 的 WSGI Web 应用程序框架）来提供推理端点。然而，Flask 主要为轻量级应用程序设计，可能不适合大规模生产用例。为了弥补这一差距，MLflow 集成了 MLServer 作为一种替代的部署选项，它被用作 Kubernetes 原生框架（例如 Seldon Core 和 KServe（以前称为 KFServing））中的核心 Python 推理服务器。使用 MLServer，您可以利用 Kubernetes 的可伸缩性和可靠性来大规模地提供模型服务。有关 Flask 和 MLServer 的详细比较以及为何 MLServer 是机器学习生产用例更好的选择，请参阅服务框架。
构建用于 MLflow 模型的 Docker 镜像
将 MLflow 模型部署到 Kubernetes 的关键步骤是构建一个包含 MLflow 模型和推理服务器的 Docker 镜像。这可以通过 build-docker CLI 命令或 Python API 完成。
- CLI
- Python
mlflow models build-docker -m runs:/<run_id>/model -n <image_name> --enable-mlserver
如果您想使用精简的 Flask 服务器而不是 MLServer，请移除 --enable-mlserver 标志。有关其他选项，请参阅 build-docker 命令文档。
import mlflow
mlflow.models.build_docker(
model_uri=f"runs:/{run_id}/model",
name="<image_name>",
enable_mlserver=True,
)
如果您想使用精简的 Flask 服务器而不是 MLServer，请移除 enable_mlserver=True。有关其他选项，请参阅 mlflow.models.build_docker 函数文档。
自 MLflow 2.10.1 起，Docker 镜像规范已更改，以减小镜像大小并提高性能。最值得注意的是，除了 Java 模型类型（例如 spark）之外，镜像中不再安装 Java。如果您需要为其他类型安装 Java，例如使用 SparkML 的自定义 Python 模型，请指定 --install-java 标志以强制安装 Java。
部署步骤
请参考以下合作伙伴文档，了解如何使用 MLServer 将 MLflow 模型部署到 Kubernetes。您也可以按照下面的教程学习包括环境设置、模型训练和部署在内的端到端流程。
教程
您还可以通过以下教程了解如何在 MLflow 中训练模型并部署到 Kubernetes