Kom igångKom igång gratis

Skapa en anpassad Python-klass

MLflow erbjuder ett sätt att skapa anpassade modeller för att stödja en mängd olika användningsfall. För att skapa anpassade modeller kan användare definiera en Python-klass som ärver från klassen mlflow.pyfunc.PythonModel. Klassen PythonModel möjliggör anpassning genom metoder för egen inferenslogik och artefaktberoenden.

I den här övningen skapar du en ny Python-klass för en anpassad modell som läser in en specifik modell och sedan avkodar etiketter efter inferens. Modulen mlflow kommer att vara importerad.

Den här övningen är en del av kursen

Introduktion till MLflow

Visa kurs

Övningsinstruktioner

  • Skapa en Python-klass med namnet CustomPredict.
  • Definiera metoden load_context() som används för att läsa in artefakter i den anpassade klassen.
  • Definiera metoden predict() för att implementera anpassad inferenslogik.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Create Python Class
class ____(mlflow.pyfunc.PythonModel):
    # Set method for loading model
    def ____(self, context):
        self.model = mlflow.sklearn.load_model("./lr_model/")
    # Set method for custom inference     
    def ____(self, context, model_input):
        predictions = self.model.predict(model_input)
        decoded_predictions = []  
        for prediction in predictions:
            if prediction == 0:
                decoded_predictions.append("female")
            else:
                decoded_predictions.append("male")
        return decoded_predictions
Redigera och kör kod