常见问题解答

MLflow 3.x 能否加载使用 MLflow 2.x 创建的资源（运行、模型、追踪等）？

是的，MLflow 3.x 可以加载使用 MLflow 2.x 创建的资源，例如运行、模型、追踪等。然而，反之则不然。

警告

在测试 MLflow 3.x 时，我们强烈建议使用独立环境，以避免与 MLflow 2.x 发生冲突。

使用 MLflow 2.x 创建的模型，在加载时 load_model 抛出 ResourceNotFound 错误。这是为什么？

例如，以下代码无法在 MLflow 3.x 中加载模型，因为模型工件未作为运行工件存储

import mlflow

with mlflow.start_run() as run:
    mlflow.sklearn.log_model(my_model, name="model")
    mlflow.sklearn.load_model(mlflow.get_artifact_uri("model"))
    # Throws a `ResourceNotFound` error.

为避免此错误，请使用 mlflow.<flavor>.log_model 返回的模型 URI 调用 mlflow.<flavor>.load_model

import mlflow

with mlflow.start_run() as run:
    info = mlflow.sklearn.log_model(my_model, name="model")
    # if the result of `log_model` is available (recommended)
    mlflow.sklearn.load_model(info.model_uri)
    # if only `model_id` is available
    mlflow.sklearn.load_model(f"models:/{info.model_id}")
    # if neither `model_id` nor `model_uri` is available (deprecated and will be removed in future versions)
    mlflow.sklearn.load_model(f"runs:/{run.info.run_id}/model")

为什么会这样？在 MLflow 3.x 中，模型工件的存储位置与 MLflow 2.x 不同。以下是使用 tree 格式对两个版本进行的比较

# MLflow 2.x
experiments/
  └── <experiment_id>/
    └── <run_id>/
      └── artifacts/
        └── ... # model artifacts are stored here

# MLflow 3.x
experiments/
  └── <experiment_id>/
    └── models/
      └── <model_id>/
        └── artifacts/
          └── ... # model artifacts are stored here

我想修改模型的 requirements.txt。我该怎么做？

您可以使用 mlflow.models.update_model_requirements() 修改模型的 requirements.txt，以添加或移除依赖项。以下是如何向模型添加依赖项的示例

import mlflow


class DummyModel(mlflow.pyfunc.PythonModel):
    def predict(self, context, model_input: list[str]) -> list[str]:
        return model_input


model_info = mlflow.pyfunc.log_model(name="model", python_model=DummyModel())
mlflow.models.update_model_requirements(
    model_uri=model_info.model_uri,
    operation="add",
    requirement_list=["scikit-learn"],
)

我还没准备好升级到 MLflow 3.x。如何将我的 MLflow 版本锁定到 2.x？

您可以使用以下命令将 MLflow 锁定到最新的 2.x 版本

pip install 'mlflow<3'