构建使用 MLflow 的自定义 Python 函数模型

MLflow 提供了多种预定义的模型风格（flavor），但在某些情况下，您可能希望超越这些，构建更符合您需求的东西。这时，自定义 PyFuncs 就派上用场了。

提示

MLflow 2.12.2 引入了“代码模型”功能，通过使用脚本序列化极大地简化了序列化和部署自定义模型的过程。虽然本教程作为参考点很有价值，但我们强烈建议将自定义模型实现迁移到这种新范例。您可以在代码模型指南中了解更多关于代码模型的信息。

本教程内容

本指南旨在引导您深入了解 PyFuncs 的复杂性，解释其缘由、内容和方法。

• 命名模型风格（Named Model Flavors）：在我们深入自定义领域之前，了解 MLflow 中现有的命名风格至关重要。这些预定义的风格简化了模型跟踪和部署，但它们可能无法涵盖所有用例。

• 揭秘自定义 PyFuncs：自定义 PyFunc 究竟是什么？它与命名风格有何不同？何时会使用它？我们将介绍：

  • 预处理/后处理：将预处理或后处理步骤集成到模型的预测 pipeline 中。

  • 不受支持的库：也许您正在使用 MLflow 尚不支持的某个特定或新发布的机器学习库。不用担心，自定义 PyFuncs 可以帮您解决问题。

  • 外部引用：通过外部化引用来避免序列化问题并简化模型部署。

• 自定义 PyFuncs 入门：我们将从最简单的示例开始，阐明自定义 PyFunc 所必需的核心组件和抽象方法。

• 处理不受支持的库：进一步提高复杂度，我们将演示如何使用自定义 PyFuncs 将来自不受支持的库的模型集成到 MLflow 中。

• 覆盖默认推理方法：有时，默认方法不是您想要的。我们将向您展示如何覆盖模型的推理方法，例如，使用 predict_proba 代替 predict。

通过本教程的学习，您将清楚地了解如何在 MLflow 中利用自定义 PyFuncs 来满足特殊需求，确保灵活性，同时不影响易用性。

• MLflow 中的模型、风格和 PyFuncs
• 理解 PyFunc 组件
• 完整 Notebook