教學課程：部署和查詢自訂模型
本文提供使用 Mosaic AI 模型服務來部署和查詢自訂模型 (為傳統 ML 模型) 的基本步驟。 模型必須在 Unity Catalog 或工作區模型登錄中註冊。
若要改為瞭解服務及部署產生式 AI 模型，請參閱下列文章：
步驟 1：記錄模型
記錄模型以用於模型服務有幾種不同的方式：
| 記錄技術 | 描述 |
|---|---|
| 自動記錄 | 當您使用 Databricks Runtime 進行機器學習時，系統會自動開啟此功能。 這是最簡單的方式，但會讓您減少控制。 |
| 使用 MLflow 的內建變體進行記錄 | 您可以使用 MLflow 的內建模型變體手動記錄模型。 |
使用 pyfunc 的自訂記錄 |
如果您有自訂模型，或在推斷前後需要額外的步驟，請使用此方式。 |
下列範例示範如何使用 transformer 變體來記錄 MLflow 模型，並指定模型所需的參數。
with mlflow.start_run():
model_info = mlflow.transformers.log_model(
transformers_model=text_generation_pipeline,
artifact_path="my_sentence_generator",
inference_config=inference_config,
registered_model_name='gpt2',
input_example=input_example,
signature=signature
)
記錄模型之後，請務必檢查您的模型是否已在 Unity 目錄或 MLflow 模型登錄中註冊。
步驟 2：使用 Serving UI 建立端點
記錄已註冊的模型並準備好提供服務之後，您可以使用 [服務] UI 建立模型服務端點。
按下側邊欄的 [服務] 可顯示 [服務] UI。
按下 [建立服務端點]。
![Databricks UI 中的 [模型服務] 窗格](../../_static/images/machine-learning/serving-pane.png)
在 [名稱] 欄位中，提供端點的名稱。
在 [服務的實體] 區段中
- 按一下 [實體] 欄位，以開啟 [選取服務實體] 窗體。
- 選取您想要服務的模型類型。 表單會根據您的選擇動態更新。
- 選取您想要服務的模型和模型版本。
- 選取要路由傳送至您服務模型的流量百分比。
- 選取要使用的計算大小。
- 在 [計算向外延展] 下，選取與此服務模型可以同時處理的要求數目對應的計算向外延展大小。 這個數字應該大致等於 QPS x 模型執行時間。
- 可用大小包括適用於 0-4 個要求的 [小型]、適用於 8-16 個要求的 [中型]，以及適用於16-64 個要求的 [大型]。
- 指定端點在不使用時是否應該調整為零。
按一下 [建立]。 [服務端點] 頁面隨即出現，[服務端點狀態] 顯示為 [未就緒]。
如果您想要使用 Databricks 服務 API 以程式設計方式建立端點，請參閱建立自訂模型服務端點。
步驟 3：查詢端點
若要測試及傳送評分要求至服務模型，最簡單且最快捷的方式就是使用 Serving UI。
從 [服務端點] 頁面中，選取 [查詢端點]。
以 JSON 格式插入模型輸入資料，然後按一下 [傳送要求]。 如果已透過輸入範例記錄模型，請按一下 [顯示範例] 以載入輸入範例。
{ "inputs" : ["Hello, I'm a language model,"], "params" : {"max_new_tokens": 10, "temperature": 1} }
若要傳送評分要求，請使用其中一個支援的索引鍵和對應至輸入格式的 JSON 對象來建構 JSON。 如需支援的格式和如何使用 API 傳送評分要求的指導，請參閱查詢自訂模型的服務端點。
如果您打算在 Azure Databricks Serving UI 外部存取服務端點，您需要 DATABRICKS_API_TOKEN。
重要
作為生產案例的安全最佳做法，Databricks 建議您在生產期間使用機器對機器 OAuth 權杖進行驗證。
對於測試和開發，Databricks 建議使用屬於服務主體而不是工作區使用者的個人存取權杖。 若要建立服務主體的權杖，請參閱管理服務主體的權杖。
筆記本範例
請參閱下列筆記本，以使用模型服務來服務 MLflow transformers 模型。
部署 Hugging Face transformers 模型筆記本
請參閱下列筆記本，以使用模型服務來服務 MLflow pyfunc 模型。 如需自訂模型部署的更多詳細資訊，請參閱使用模型服務部署 Python 程式碼。