MLmodel 文件里有什么？

您已经了解到，MLmodel 文件用于定义如何加载模型以及如何与现有 ML 工具集成的关键信息。

一个 MLmodel 文件已被赋值给名为 "mlmodel" 的变量。请在 IPython Shell 中使用 print(mlmodel) 查看该文件的内容。

以下哪一项是 MLmodel 文件中包含的信息？

本练习是课程的一部分

MLflow 入门

查看课程

动手互动练习

通过我们的互动练习之一，将理论转化为实践

开始练习

本练习是课程的一部分

MLflow 入门

SkillTag.level.advancedSkillTag.label

4.8+

777 reviews

免费开始课程

本章将向您介绍 MLflow，以及它如何帮助解决机器学习生命周期中的一些难题。您将认识构成 MLflow 的四个核心概念，并重点学习 MLflow Tracking。您将学会创建实验与运行，并追踪指标、参数和制品。最后，您还将通过编程方式搜索 MLflow，找到符合特定条件的实验运行。

Exercise 1: 什么是 MLflow？Exercise 2: MLflow 的组成部分 Exercise 3: MLflow 实验 Exercise 4: MLflow 跟踪 Exercise 5: 启动一次运行 Exercise 6: 记录一次运行 Exercise 7: 如何获取活动运行的数据？Exercise 8: 查询运行 Exercise 9: 搜索运行的查询选项 Exercise 10: 搜索运行

本章将向您介绍 MLflow Models。MLflow 中的 Models 组件在机器学习生命周期的模型评估与模型工程阶段起着关键作用。您将学习 MLflow Models 如何标准化 ML 模型的打包方式，以及如何保存、记录和加载模型。您还将学习如何创建自定义 MLflow 模型，以便在您的用例中具备更高的灵活性，并评估模型性能。您将使用强大的"Flavors"概念，最后通过 MLflow 命令行工具完成模型部署。

Exercise 1: MLflow Models 简介 Exercise 2: 打包一个机器学习模型 Exercise 3: 存储格式 Exercise 4: MLmodel 文件里有什么？

当前练习

Exercise 5: 模型 API Exercise 6: 保存与加载模型 Exercise 7: 记录并加载模型 Exercise 8: 自定义模型 Exercise 9: 创建自定义 Python 类 Exercise 10: 自定义 scikit-learn 模型 Exercise 11: Scikit-learn 风味与评估 Exercise 12: 模型服务 Exercise 13: 服务化部署模型 Exercise 14: 从已服务的模型获取评分

本章将介绍 MLflow 的 Model Registry 概念。您将了解如何使用 Model Registry 来管理 ML 模型的全生命周期。您将学习如何在 Model Registry 中创建与搜索模型。随后，您会学习如何将模型注册到 Model Registry，并在预定义阶段之间转换模型。最后，您还将学习如何从 Model Registry 部署模型。

Exercise 1: MLflow Model Registry 简介 Exercise 2: 创建模型 Exercise 3: 搜索模型 Exercise 4: 注册模型 Exercise 5: 注册已有模型 Exercise 6: 注册新模型 Exercise 7: 模型阶段 Exercise 8: Model Registry 中的模型阶段 Exercise 9: 切换模型阶段 Exercise 10: 模型部署 Exercise 11: 从 Model Registry 提供模型服务 Exercise 12: 从 Model Registry 加载模型

在本章中，您将学习如何使用 MLflow Projects 提升数据科学代码的可复用性与可复现性。章节将从介绍 MLflow Projects 的概念开始，并带您创建一个 MLproject 文件。随后，您将学习如何通过命令行与 MLflow Projects 模块运行项目，并了解使用参数为代码带来的灵活性。最后，您将学习如何构建一个使用 MLflow Projects 的多步骤工作流，以管理机器学习生命周期中的各个步骤。

Exercise 1: MLflow Projects 简介 Exercise 2: MLproject 文件结构 Exercise 3: 创建 MLproject Exercise 4: 运行 MLflow Projects Exercise 5: mlflow run 命令 Exercise 6: MLflow projects 模块 Exercise 7: 指定参数 Exercise 8: 在 MLproject 中添加参数 Exercise 9: 为项目运行添加参数 Exercise 10: 工作流 Exercise 11: 为机器学习全生命周期创建 MLproject：模型工程 Exercise 12: 为机器学习生命周期创建 MLproject：模型评估 Exercise 13: 创建多步骤工作流：模型工程 Exercise 14: 创建多步工作流：模型评估 Exercise 15: 总结