跳到主内容

探索已注册的模型

既然我们已经记录了一个实验并注册了与该实验运行相关的模型，现在让我们看看这些信息是如何实际存储在 MLflow UI 和我们本地目录中的。请注意，我们也可以通过编程方式获取这些信息，但出于解释目的，我们将使用 MLflow UI。

步骤 1：探索 mlruns 目录​

考虑到我们将本地文件系统用作追踪服务器和模型注册表，让我们观察在先前步骤中运行 Python 脚本时创建的目录结构。

在深入了解之前，重要的是要注意 MLflow 旨在抽象用户的复杂性，并且此目录结构仅用于说明目的。此外，在推荐用于生产用例的远程部署中，追踪服务器将位于对象存储（S3、ADLS、GCS 等）上，而模型注册表将位于关系型数据库（PostgreSQL、MySQL 等）上。

mlruns/
├── 0/                                    # Experiment ID
│   ├── bc6dc2a4f38d47b4b0c99d154bbc77ad/ # Run ID
│   │   ├── metrics/
│   │   │   └── mse                       # Example metric file for mean squared error
│   │   ├── artifacts/                    # Artifacts associated with our run
│   │   │   └── sklearn-model/
│   │   │       ├── python_env.yaml
│   │   │       ├── requirements.txt      # Python package requirements
│   │   │       ├── MLmodel               # MLflow model file with model metadata
│   │   │       ├── model.pkl             # Serialized model file
│   │   │       ├── input_example.json
│   │   │       └── conda.yaml
│   │   ├── tags/
│   │   │   ├── mlflow.user
│   │   │   ├── mlflow.source.git.commit
│   │   │   ├── mlflow.runName
│   │   │   ├── mlflow.source.name
│   │   │   ├── mlflow.log-model.history
│   │   │   └── mlflow.source.type
│   │   ├── params/
│   │   │   ├── max_depth
│   │   │   └── random_state
│   │   └── meta.yaml
│   └── meta.yaml
├── models/                               # Model Registry Directory
    ├── sk-learn-random-forest-reg-model/ # Registered model name
    │   ├── version-1/                    # Model version directory
    │   │   └── meta.yaml
    │   └── meta.yaml

追踪服务器按 *实验 ID* 和 *运行 ID* 进行组织，负责存储我们的实验工件、参数和指标。另一方面，模型注册表仅存储带有指向我们追踪服务器的指针的元数据。

如您所见，支持 自动日志记录 的各种模型类型提供了大量额外信息。另请注意，即使我们的目标模型不支持自动日志记录，我们也可以通过显式日志调用轻松存储这些信息。

另一个有趣的要点是，默认情况下，您有三种管理模型环境的方式：python_env.yaml (python 虚拟环境)、requirements.txt (PyPi 依赖项) 和 conda.yaml (conda 环境)。

好的，既然我们对记录了什么有了一个非常高层次的理解，现在让我们使用 MLflow UI 查看这些信息。

步骤 2：启动追踪服务器​

在与您的 mlruns 文件夹相同的目录下，运行以下命令。

mlflow server --host 127.0.0.1 --port 8080
[2024-02-05 12:43:10 -0500] [26393] [INFO] Starting gunicorn 20.1.0
[2024-02-05 12:43:10 -0500] [26393] [INFO] Listening at: http://127.0.0.1:8080 (26393)
[2024-02-05 12:43:10 -0500] [26393] [INFO] Using worker: sync
[2024-02-05 12:43:10 -0500] [26414] [INFO] Booting worker with pid: 26414
[2024-02-05 12:43:11 -0500] [26416] [INFO] Booting worker with pid: 26416
[2024-02-05 12:43:11 -0500] [26428] [INFO] Booting worker with pid: 26428
[2024-02-05 12:43:11 -0500] [26437] [INFO] Booting worker with pid: 26437

步骤 3：查看追踪服务器​

假设没有错误，您可以前往您的网络浏览器并访问 https://:8080 来查看 MLflow UI。

首先，让我们离开实验追踪标签页，访问模型注册表。

Model information from the mlflow ui.

接下来，让我们添加标签和模型版本别名以 促进模型部署。您可以通过点击模型版本表中的相应 Add 链接或铅笔图标来添加或编辑标签和别名。让我们...

  1. 添加一个模型版本标签，键为 problem_type，值为 regression。
  2. 添加一个模型版本别名 the_best_model_ever。

Model information from the mlflow ui.