Google
Cloud Platform
Amazon Web Services
Microsoft AzureImplantei código Python com modelo instalado
Prévia
O Mosaic AI Model Serving está em Public Preview e é compatível com os sites us-east1 e us-central1.
Este artigo descreve como implantar o código Python com o Mosaic AI Model Serving.
A função Python do MLflow, pyfunc, oferece flexibilidade para implantar qualquer parte do código Python ou qualquer modelo Python. A seguir estão exemplos de cenários em que você pode querer usar o guia.
Seu modelo requer pré-processamento antes que as entradas possam ser passadas para a função de previsão do modelo.
Sua estrutura de modelo não é suportada nativamente pelo MLflow.
Seu aplicativo requer que as saídas brutas do modelo sejam pós-processadas para consumo.
O próprio modelo possui lógica de ramificação por solicitação.
Você está procurando aprimorar o código totalmente personalizado como um modelo.
Construir um modelo de função MLflow Python personalizado
O MLflow oferece a capacidade de logs código Python com o formato de modelos Python personalizado.
Existem duas funções necessárias ao empacotar código Python arbitrário com MLflow:
load_context- tudo o que precisa ser carregado apenas uma vez para o modelo operar deve ser definido nesta função. Isso é fundamental para que o sistema minimize a quantidade de artefatos carregados durante a funçãopredict, o que agiliza a inferência.predict- esta função abriga toda a lógica que é executada toda vez que uma requisição de entrada é feita.
logs seu modelo de função Python
Mesmo que você esteja escrevendo seu modelo com código customizado, é possível usar módulos de código compartilhados de sua organização. Com o parâmetro code_path, os autores de modelos podem logs referências de código completas que são carregadas no caminho e podem ser usadas em outros modelos pyfunc personalizados.
Por exemplo, se um modelo for logs com:
mlflow.pyfunc.log_model(CustomModel(), "model", code_path = ["preprocessing_utils/"])
O código do preprocessing_utils está disponível no contexto carregado do modelo. Veja a seguir um modelo de exemplo que usa esse código.
class CustomModel(mlflow.pyfunc.PythonModel):
def load_context(self, context):
self.model = torch.load(context.artifacts["model-weights"])
from preprocessing_utils.my_custom_tokenizer import CustomTokenizer
self.tokenizer = CustomTokenizer(context.artifacts["tokenizer_cache"])
def format_inputs(self, model_input):
# insert some code that formats your inputs
pass
def format_outputs(self, outputs):
predictions = (torch.sigmoid(outputs)).data.numpy()
return predictions
def predict(self, context, model_input):
model_input = self.format_inputs(model_input)
outputs = self.model.predict(model_input)
return self.format_outputs(outputs)
Sirva seu modelo
Depois de log seu modelo pyfunc personalizado, o senhor pode registrá-lo em Unity Catalog e servir seu modelo para um modelo servindo endpoint.