Mlops Mlflow 部署

# 部署指南 将 MLflow 模型部署到生产环境的完整指南。 ## 目录 - 部署选项 - 本地服务 - REST API 服务 - Docker 部署 - 云端部署 - 批量推理 - 生产模式 - 监控 ## 部署选项 MLflow 支持多种部署目标： | 目标 | 使用场景 | 复杂度 | |--------|----------|------------| | **本地服务器** | 开发、测试 | 低 | | **REST API** | 生产服务 | 中 | | **Docker** | 容器化部署 | 中 | | **AWS SageMaker** | AWS 托管部署 | 高 | | **Azure ML** | Azure 托管部署 | 高 | | **Kubernetes** | 可扩展编排 | 高 | | **批量** | 离线预测 | 低 | ## 本地服务 ### 本地部署模型 bash # 服务已注册模型 mlflow models serve -m "models:/product-classifier/Production" -p 5001 # 从运行中服务 mlflow models serve -m "runs:/abc123/model" -p 5001 # 使用自定义主机服务 mlflow models serve -m "models:/my-model/Production" -h 0.0.0.0 -p 8080 # 使用工作进程服务（用于可扩展性） mlflow models serve -m "models:/my-model/Production" -p 5001 --workers 4 **输出：** Serving model on http://127.0.0.1:5001 ### 测试本地服务器 bash # 单次预测 curl http://127.0.0.1:5001/invocations -H 'Content-Type: application/json' -d '{ "inputs": [[1.0, 2.0, 3.0, 4.0]] }' # 批量预测 curl http://127.0.0.1:5001/invocations -H 'Content-Type: application/json' -d '{ "inputs": [ [1.0, 2.0, 3.0, 4.0], [5.0, 6.0, 7.0, 8.0] ] }' # CSV 输入 curl http://127.0.0.1:5001/invocations -H 'Content-Type: text/csv' --data-binary @data.csv ### Python 客户端 python import requests import json url = "http://127.0.0.1:5001/invocations" data = { "inputs": [[1.0, 2.0, 3.0, 4.0]] } headers = {"Content-Type": "application/json"} response = requests.post(url, json=data, headers=headers) predictions = response.json() print(predictions) ## REST API 服务 ### 构建自定义服务 API python from flask import Flask, request, jsonify import mlflow.pyfunc app = Flask(__name__) # 启动时加载模型 model = mlflow.pyfunc.load_model("models:/product-classifier/Production") @app.route('/predict', methods=['POST']) def predict(): """预测端点。""" data = request.get_json() inputs = data.get('inputs') # 进行预测 predictions = model.predict(inputs