将 MLflow 模型部署到 Kubernetes
将 MLServer 用作推理服务器
默认情况下，MLflow 部署使用 FastAPI（一个广泛使用的 Python ASGI Web 应用程序框架）来提供推理端点。然而，FastAPI 本身不支持水平扩展，可能不适用于大规模生产用例。为了解决这个差距，MLflow 集成了 MLServer 作为替代部署选项，MLServer 在 Kubernetes 原生框架（如 Seldon Core 和 KServe（以前称为 KFServing）中被用作核心 Python 推理服务器。使用 MLServer，您可以利用 Kubernetes 的可扩展性和可靠性来大规模服务您的模型。有关 FastAPI 和 MLServer 之间的详细比较，以及为什么 MLServer 是 ML 生产用例的更好选择，请参阅 Serving Framework。
为 MLflow 模型构建 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 命令行命令或 Python API 来完成。
- CLI
- Python
mlflow models build-docker -m runs:/<run_id>/model -n <image_name> --enable-mlserver
如果您想使用裸 Bare-bones FastAPI 服务器而不是 MLServer，请删除 --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"models:/{model_id}",
name="<image_name>",
enable_mlserver=True,
)
如果您想使用裸 Bare-bones FastAPI 服务器而不是 MLServer，请删除 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 镜像规格已更改，以减小镜像大小并提高性能。最值得注意的是，除了 Java 模型（如 spark）之外，镜像中不再安装 Java。如果您需要为其他模型（例如使用 SparkML 的自定义 Python 模型）安装 Java，请指定 --install-java 标志来强制安装 Java。
部署步骤
请参阅以下合作伙伴文档，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了解端到端的整个过程，包括环境设置、模型训练和部署。
教程
您也可以在以下教程中了解如何在 MLflow 中训练模型并将其部署到 Kubernetes