Storage Format¶

每個 MLflow 模型都是一個包含任意文件的 目錄，以及該目錄根目錄中的一個 MLmodel 文件，該文件可以定義可以在其中查看模型是使用那種 "flavor"。

Flavor 是使 MLflow 模型變得強大的關鍵概念: 它們是部署工具可以用來理解模型的約定，這使得編寫與任何 ML library 中的模型一起使用的工具成為可能，而無需將每個工具與每個庫整合。 MLflow 定義了其所有內建部署工具都支援的幾種 "standard" flavors，例如描述如何將模型作為 Python 函數運行的 "Python function" flavor。然而，使用者也可以定義和使用其他 flavor。例如，MLflow 的 mlflow.sklearn 函式庫允許將模型作為 scikit-learn Pipeline 物件載入回來，以便在支援 scikit-learn 的程式碼中使用，或作為通用 Python 函數在只需要應用模型的工具中使用（例如，帶有選項 -t sagemaker 的 mlflow deployments，用於將模型部署到 Amazon SageMaker）。

MLmodel 檔案¶

特定模型支援的所有 flavor 均以 YAML 格式在其 MLmodel 檔案中定義。例如，mlflow.sklearn 輸出模型如下：

# Directory written by mlflow.sklearn.save_model(model, "my_model")
my_model/
├── MLmodel
├── model.pkl
├── conda.yaml
├── python_env.yaml
└── requirements.txt

它的 MLmodel 檔案描述了兩種 flavor：

time_created: 2018-05-25T17:28:53.35

flavors:
  sklearn:
    sklearn_version: 0.19.1
    pickled_model: model.pkl
  python_function:
    loader_module: mlflow.sklearn

除了列出模型 flavors 的欄位之外，MLmodel YAML 格式還可以包含以下欄位：

• time_created: 建立模型的日期和時間，採用 UTC ISO 8601 格式。
• run_id: 建立模型 run 的 ID（如果模型是使用 MLflow Tracking 保存的）。
• signature: JSON 格式的模型簽章。
• input_example: 模型 input 的參考範例。
• mlflow_version: 用於記錄模型的 MLflow 版本。

Additional Logged 檔案¶

為了重新建立環境，每當記錄模型時，MLflow 都會自動記錄 conda.yaml、python_env.yaml 和 requirements.txt 檔案。然後，這些檔案可用於使用 conda 或 virtualenv 與 pip 重新安裝相依性。有關這些文件的更多詳細信息，請參閱 MLflow 模型如何記錄依賴關係。

記錄模型時，模型元資料檔（MLmodel、conda.yaml、python_env.yaml、requirements.txt）將複製到名為 metadata 的子目錄。對於 wheeled models，也複製original_requirements.txt 檔案。