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 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 不原生支持横向扩展，可能不适合大规模生产用例。为了弥补这一空白，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（前身为 KFServing））中用作核心 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提供模型。有关 FastAPI 和 MLServer 之间的详细比较，以及为什么 MLServer 是机器学习生产用例的更好选择，请参阅服务框架。
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 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 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 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，除了像 spark 这样的 Java 模型风味，Java 不再安装在镜像中。如果您需要为其他风味安装 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。您还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过程。
教程
您还可以通过以下教程学习如何在 MLflow 中训练模型并部署到 Kubernetes