Implante código Python com o Model Serving
Este artigo descreve como implantar código Python com o Mosaic AI Model Serving.
A função Python do MLflow, pyfunc, fornece flexibilidade para implementar 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 modelo em si tem lógica de ramificação por solicitação.
- Você está procurando implantar código totalmente personalizado como um modelo.
Construir um modelo de função Python MLflow personalizado
O MLflow oferece a capacidade de registrar código Python com o formato de modelos Python personalizado.
Há duas funções necessárias ao empacotar código python arbitrário com MLflow:
load_context- Qualquer coisa que precise ser carregada apenas uma vez para o modelo operar deve ser definida nesta função. Isso é fundamental para que o sistema minimize o número de artefatos carregados durante a função, o que acelera apredictinferência.predict- Esta função abriga toda a lógica que é executada toda vez que uma solicitação de entrada é feita.
Registre seu modelo de função Python
Mesmo que você esteja escrevendo seu modelo com código personalizado, é possível usar módulos compartilhados de código da sua organização. Com o parâmetro, os code_path autores de modelos podem registrar referências de código completo que são carregadas no caminho e são utilizáveis a partir de outros modelos personalizados pyfunc .
Por exemplo, se um modelo for registrado com:
mlflow.pyfunc.log_model(CustomModel(), "model", code_path = ["preprocessing_utils/"])
Código do preprocessing_utils está disponível no contexto carregado do modelo. A seguir está 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 o seu modelo
Depois de registrar seu modelo personalizado pyfunc , você pode registrá-lo no Unity Catalog ou no Workspace Registry e servir seu modelo para um ponto de extremidade de serviço de modelo.
Exemplo de bloco de notas
O exemplo de bloco de anotações a seguir demonstra como personalizar a saída do modelo quando a saída bruta do modelo consultado precisa ser pós-processada para consumo.