Modellexport för MLeap ML
Viktigt!
Den här dokumentationen har dragits tillbaka och kanske inte uppdateras. De produkter, tjänster eller tekniker som nämns i det här innehållet stöds inte längre.
Om du vill exportera modeller för att betjäna enskilda förutsägelser kan du använda MLeap, ett vanligt serialisieringsformat och körningsmotor för pipelines för maskininlärning. MLeap kan användas med serialisering av Apache Spark-, scikit-learn- och TensorFlow-pipelines till ett paket, så att du kan läsa in och distribuera tränade modeller för att göra förutsägelser med nya data. Du kan importera de exporterade modellerna till både Spark och andra plattformar för bedömning och förutsägelser.
Kommentar
Databricks Runtime stöder inte öppen källkod MLeap. Om du vill använda MLeap måste du skapa ett kluster som kör Databricks Runtime 13.3 LTS ML eller lägre. Dessa versioner av Databricks Runtime ML har en anpassad version av MLeap förinstallerad.
Följande notebook-fil visar ett exempel på ett arbetsflöde för modellexport.
Exempel: Exportera och importera modeller i Python
Det här notebook-exemplet visar hur du använder MLeap för att exportera modeller med MLlib.