Hantera modeller

Azure Databricks tillhandahåller en värdbaserad version av MLflow Model Registry som hjälper dig att hantera hela livscykeln för MLflow-modeller. Model Registry tillhandahåller:

  • Kronologisk modell härstamning (som MLflow experimenterar och kör producerade modellen vid en viss tidpunkt).
  • Modellbetjäning.
  • Versionshantering av modeller.
  • Fasövergångar (till exempel från mellanlagring till produktion eller arkiverad).
  • Webhooks så att du automatiskt kan utlösa åtgärder baserat på registerhändelser.
  • E-postaviseringar om modellhändelser.

Du kan också skapa och visa modellbeskrivningar och lämna kommentarer.

Den här artikeln beskriver hur du använder Model Registry som en del av ditt maskininlärningsarbetsflöde och innehåller instruktioner för både Model Registry-användargränssnittet och Model Registry-API:et.

En översikt över begrepp för Model Registry finns i MLflow-guiden.

I det här avsnittet:

Krav

Så här använder du användargränssnittet i Model Registry:

  • Databricks Runtime 6.4 eller senare med mlflow>=1.7.0 installerat
  • Databricks Runtime 6.4 ML med mlflow>=1.7.0 installerat
  • Databricks Runtime 6.5 ML eller senare

Använda API:et för Model Registry:

  • Databricks Runtime 6.5 eller senare
  • Databricks Runtime 6.5 ML eller senare
  • Databricks Runtime 6.4 eller senare med mlflow>=1.7.0 installerat
  • Databricks Runtime 6.4 ML eller lägre med mlflow>=1.7.0 installerat

Skapa eller registrera en modell

I det här avsnittet:

Skapa eller registrera en modell med hjälp av användargränssnittet

Det finns två sätt att registrera en modell i Model Registry. Du kan registrera en befintlig modell som har loggats till MLflow, eller så kan du skapa och registrera en ny tom modell och sedan tilldela en tidigare loggad modell till den.

Registrera en befintlig loggad modell från en notebook-fil

  1. På arbetsytan identifierar du MLflow-körningen som innehåller den modell som du vill registrera.

    1. Klicka på experimentikonenExperiment icon i verktygsfältet för notebook-filer.

      Notebook toolbar

    2. I sidopanelen Experimentkörningar klickar du på External Link ikonen bredvid körningsdatumet. Sidan för MLflow-körning visas. På sidan visas körningsinformation, till exempel parametrar, mått, taggar och en lista med artefakter.

  2. I avsnittet Artifacts (Artefakter) klickar du på katalogen med namnet xxx-model.

    Register model

  3. Klicka på knappen Register Model (Registrera modell) längst till höger.

  4. I dialogrutan klickar du i rutan Modell och gör något av följande:

    • Välj Skapa ny modell i den nedrullningsbara menyn. Fältet Modellnamn visas. Ange ett modellnamn, till exempel scikit-learn-power-forecasting.
    • Välj en befintlig modell i den nedrullningsbara menyn.

    Create new model

  5. Klicka på Registrera.

    • Om du valde Skapa ny modell registreras en modell med namnet scikit-learn-power-forecasting, kopierar modellen till en säker plats som hanteras av MLflow Model Registry och skapar en ny version av modellen.
    • Om du har valt en befintlig modell registreras en ny version av den valda modellen.

    Efter en liten stund ändras knappen Registrera modell till en länk till den nya registrerade modellversionen.

    Select newly created model

  6. Klicka på länken för att öppna den nya modellversionen i användargränssnittet för Model Registry. Du kan också hitta modellen i modellregistret genom att Models Icon klicka på Modeller i sidofältet.

Skapa en ny registrerad modell och tilldela en loggad modell till den

Med knappen Skapa modell på sidan med registrerade modeller kan du skapa en ny tom modell och sedan tilldela en loggad modell till den. Följ de här stegen:

  1. Klicka på Create Model (Skapa modell) på sidan med registrerade modeller. Ange ett namn på modellen och klicka på Create (Skapa).

  2. Följ steg 1 till 3 i Registrera en befintlig loggad modell från en notebook-fil.

  3. I dialogrutan Register Model (Registrera modell) väljer du namnet på modellen du skapade i steg 1. Klicka sedan på Register (Registrera). Därmed registreras en modell med det namn du skapade och modellen kopieras till en säker plats som hanteras av MLflow Model Registry och en ny version av modellen skapas: Version 1.

    Efter en stund ersätts knappen Register Model (Registrera modell) i användargränssnittet med en länk till den nya registrerade modellversionen. Nu kan du välja modellen i listrutan Model (Modell) i dialogrutan Register Model (Registrera modell) på sidan Experiment Runs (Experimentkörningar). Du kan också registrera nya versioner av modellen genom att ange dess namn i API-kommandon som Create ModelVersion.

Registrera en modell med hjälp av API:et

Det finns tre sätt att registrera en modell programmatiskt i Model Registry. Alla metoder kopierar modellen till en säker plats som hanteras av MLflow Model Registry.

  • Om du vill logga en modell och registrera den med det angivna namnet under ett MLflow-experiment, använder du metoden mlflow.<model-flavor>.log_model(...). Om det inte finns någon registrerad modell med det namnet registreras en ny modell och version 1 skapas och ett MLflow-objekt, ModelVersion, returneras. Om det redan finns en registrerad modell med det namnet skapar metoden en ny modellversion och returnerar versionsobjektet.

    with mlflow.start_run(run_name=<run-name>) as run:
      ...
      mlflow.<model-flavor>.log_model(<model-flavor>=<model>,
        artifact_path="<model-path>",
        registered_model_name="<model-name>"
      )
    
  • Om du vill registrera en modell med det angivna namnet när alla experiment har körts klart och du har bestämt vilken modell som är mest lämplig att lägga till i registret, använder du metoden mlflow.register_model(). För den här metoden behöver du körnings-ID:t för argumentet mlruns:URI. Om det inte finns någon registrerad modell med det namnet registreras en ny modell och version 1 skapas och ett MLflow-objekt, ModelVersion, returneras. Om det redan finns en registrerad modell med det namnet skapar metoden en ny modellversion och returnerar versionsobjektet.

    result=mlflow.register_model("runs:<model-path>", "<model-name>")
    
  • Om du vill skapa en ny registrerad modell med det angivna namnet använder du metoden create_registered_model() för MLflow-klient-API:et. Om modellnamnet redan finns genererar den här metoden ett MLflowException.

    client = MlflowClient()
    result = client.create_registered_model("<model-name>")
    

Kontrollera åtkomst till modeller

Information om hur du kontrollerar åtkomsten till modeller som är registrerade i Model Registry finns i avsnittet om MLflow-modellbehörigheter.

Överföra en modellfas

En modellversion har någon av följande faser: None (Ingen), Staging (Mellanlagring), Production (Produktion) eller Archived (Arkiverad). Mellanlagringsfasen är avsedd för testning och validering av modellen och produktionsfasen är avsedd för modellversioner som har slutfört testnings- eller granskningsprocesserna och har distribuerats till program för livebedömning. En arkiverad modellversion anses vara inaktiv, och du kan därmed överväga om du vill ta bort den. Olika versioner av en modell kan befinna sig i olika faser.

En användare med rätt behörighet kan flytta en modellversion mellan olika faser. Om du har behörighet att flytta en modellversion till en viss fas kan du utföra övergången direkt. Om du inte har behörighet kan du begära en fasövergång och sedan kan en användare som har behörighet att flytta modellversioner godkänna, avslå eller avbryta din begäran.

I det här avsnittet:

Övergå från en modellfas till en annan med hjälp av användargränssnittet

Följ de här anvisningarna om du vill flytta en modell till en annan fas.

  1. Om du vill visa listan med tillgängliga modellfaser och tillgängliga alternativ klickar du på knappen Stage: (Fas:) på en modellversionssida och begär eller väljer en övergång till en annan fas.

    Stage transition options

  2. Ange en valfri kommentar och klicka på OK.

Flytta en modellversion till produktionsfasen

Efter testning och validering kan du flytta eller begära en övergång till produktionsfasen.

I Model Registry kan du ha mer än en version av den registrerade modellen i varje fas. Om du bara vill ha en version i produktionsfasen kan du flytta alla versioner av modellen som är i Produktion till Arkiverad genom att markera Transition existing Production model versions to Archived (Flytta befintliga modellversioner i Produktion till Arkiverad).

Godkänna, avslå eller avbryta en begäran om fasövergång för en modellversion

Användare som saknar behörighet kan begära en fasövergång. Begäran visas i avsnittet Pending Requests (Väntande begäranden) på modellversionssidan:

Transition to production

Om du vill godkänna, avslå eller avbryta en begäran om fasövergång kan du klicka på länken Approve (Godkänn), Reject (Avslå) eller Cancel (Avbryt).

Den som skapar en begäran om fasövergång kan också avbryta begäran.

Visa modellversionsaktiviteter

Om du vill visa alla övergångar som har begärts, godkänts, väntar på godkännande och tillämpats för en modellversion kan du gå till avsnittet Activities (Aktiviteter). Denna aktivitetsvy visar härkomst för modellens livscykel för granskning eller inspektion.

Övergå från en modellfas till en annan med hjälp av API:et

En användare med rätt behörighet kan flytta en modellversion till en annan fas.

Om du vill uppdatera en modellversionsfas till en ny fas använder du metoden transition_model_version_stage() för MLflow-klient-API:et:

  client = MlflowClient()
  client.transition_model_version_stage(
    name="<model-name>",
    version=<model-version>,
    stage="<stage>",
    description="<description>"
  )

Accepterade värden för <stage>: "Staging"|"staging", "Archived"|"archived", "Production"|"production", "None"|"none".

Använda modellen för slutsatsdragning

Viktigt

Den här funktionen finns som allmänt tillgänglig förhandsversion.

När en modell har registrerats i Model Registry kan du automatiskt generera en notebook-fil för att använda modellen för batchinferens eller skapa en slutpunkt för att använda modellen för realtidsbetjäning.

I det övre högra hörnet på den registrerade modellsidan eller modellversionssidan klickar du på use model button. Dialogrutan Konfigurera modellinferens visas så att du kan konfigurera batch- eller realtidsslutsatsdragning.

Viktigt

Anaconda Inc. uppdaterade sina användningsvillkor för anaconda.org kanaler. Baserat på de nya användningsvillkoren kan du behöva en kommersiell licens om du förlitar dig på Anacondas paketering och distribution. Mer information finns i Vanliga frågor och svar om Anaconda Commercial Edition . Din användning av Anaconda-kanaler styrs av deras användningsvillkor.

MLflow-modeller som loggades före v1.18 (Databricks Runtime 8.3 ML eller tidigare) loggades som standard med conda-kanalen defaults (https://repo.anaconda.com/pkgs/) som ett beroende. På grund av den här licensändringen defaults har Databricks stoppat användningen av kanalen för modeller som loggats med MLflow v1.18 och senare. Standardkanalen som loggas är nu conda-forge, som pekar på den communityhanterade https://conda-forge.org/.

Om du loggade en modell före MLflow v1.18 utan att utesluta defaults kanalen från conda-miljön för modellen, kan den modellen ha ett beroende av den defaults kanal som du kanske inte har tänkt dig. Om du vill kontrollera om en modell har det här beroendet manuellt kan du undersöka channel värdet i conda.yaml filen som paketeras med den loggade modellen. En modell med conda.yaml ett defaults kanalberoende kan till exempel se ut så här:

channels:
- defaults
dependencies:
- python=3.8.8
- pip
- pip:
    - mlflow
    - scikit-learn==0.23.2
    - cloudpickle==1.6.0
      name: mlflow-env

Eftersom Databricks inte kan avgöra om din användning av Anaconda-lagringsplatsen för att interagera med dina modeller är tillåten i din relation med Anaconda, tvingar Databricks inte sina kunder att göra några ändringar. Om din användning av Anaconda.com-lagringsplatsen genom användning av Databricks är tillåten enligt Anacondas villkor behöver du inte vidta några åtgärder.

Om du vill ändra den kanal som används i en modells miljö kan du registrera om modellen till modellregistret med en ny conda.yaml. Du kan göra detta genom att ange kanalen i parametern conda_envlog_model()för .

Mer information om API:et log_model() finns i MLflow-dokumentationen för modellsmaken som du arbetar med, till exempel log_model för scikit-learn.

Mer information om conda.yaml filer finns i MLflow-dokumentationen.

Configure model inference dialog

Konfigurera batchslutsatsdragning

När du följer de här stegen för att skapa en notebook-fil för batchinferens sparas anteckningsboken i användarmappen Batch-Inference under mappen i en mapp med modellens namn. Du kan redigera anteckningsboken efter behov.

  1. Klicka på fliken Batch-slutsatsdragning .

  2. I listrutan Modellversion väljer du den modellversion som ska användas. De första två objekten i listrutan är den aktuella produktions- och mellanlagringsversionen av modellen (om de finns). När du väljer något av dessa alternativ använder notebook-filen automatiskt produktions- eller mellanlagringsversionen när den körs. Du behöver inte uppdatera notebook-filen när du fortsätter att utveckla modellen.

  3. Klicka på knappen Bläddra bredvid Indatatabell. Dialogrutan Välj indata visas. Om det behövs kan du ändra klustret i listrutan Beräkning .

  4. Välj databasen och tabellen som innehåller indata för modellen och klicka på Välj. Den genererade notebook-filen importerar automatiskt dessa data och skickar dem till modellen. Du kan redigera den genererade notebook-filen om data kräver några transformeringar innan de matas in i modellen.

  5. Förutsägelser sparas i en mapp i katalogen dbfs:/FileStore/batch-inference. Som standard sparas förutsägelser i en mapp med samma namn som modellen. Varje körning av den genererade notebook-filen skriver en ny fil till den här katalogen med tidsstämpeln som läggs till i namnet. Du kan också välja att inte inkludera tidsstämpeln och skriva över filen med efterföljande körningar av notebook-filen. instruktioner finns i den genererade notebook-filen.

    Du kan ändra mappen där förutsägelserna sparas genom att skriva ett nytt mappnamn i fältet Utdatatabellplats eller genom att klicka på mappikonen för att bläddra i katalogen och välja en annan mapp.

Konfigurera slutsatsdragning i realtid

  1. I dialogrutan Konfigurera modellslutsatsdragning klickar du på fliken Realtid .

  2. Om servering inte är aktiverat för modellen klickar du på Aktivera servering. Fliken Betjänaden registrerade modellsidan visas med Status visas som Väntande. Efter några minuter ändras Status till Klar.

    Om servering redan är aktiverat klickar du på Visa befintlig slutsatsdragning i realtid för att visa fliken Servering.

Ge feedback

Den här funktionen är en förhandsversion och vi vill gärna få din feedback. Om du vill ge feedback klickar du Provide Feedback i dialogrutan Konfigurera modellslutsatsdragning.

Jämföra modellversioner

Du kan jämföra modellversioner i Model Registry.

  1. sidan registrerad modell markerar du två eller flera modellversioner genom att klicka i kryssrutan till vänster om modellversionen.
  2. Klicka på Jämför.
  3. Skärmen Jämföra <N> versioner visas och visar en tabell som jämför parametrar, schema och mått för de valda modellversionerna. Längst ned på skärmen kan du välja typ av ritning (punktdiagram, kontur eller parallella koordinater) och de parametrar eller mått som ska ritas.

Kontrollera meddelandeinställningar

Du kan konfigurera Model Registry för att meddela dig via e-post om aktivitet på registrerade modeller och modellversioner som du anger.

På den registrerade modellsidan visar menyn Meddela mig om tre alternativ:

Email notifications menu

  • Alla nya aktiviteter: Skicka e-postaviseringar om all aktivitet i alla modellversioner av den här modellen. Om du har skapat den registrerade modellen är den här inställningen standardinställningen.
  • Aktivitet i versioner jag följer: Skicka e-postmeddelanden endast om modellversioner som du följer. Med det här valet får du meddelanden för alla modellversioner som du följer. du kan inte inaktivera meddelanden för en viss modellversion.
  • Stäng av aviseringar: Skicka inte e-postaviseringar om aktivitet i den här registrerade modellen.

Följande händelser utlöser ett e-postmeddelande:

  • Skapa en ny modellversion
  • Begäran om en fasövergång
  • Fasövergång
  • Nya kommentarer

Du prenumererar automatiskt på modellmeddelanden när du gör något av följande:

  • Kommentera den modellversionen
  • Övergång av en modellversionssteg
  • Skicka en övergångsbegäran för modellens fas

Om du vill se om du följer en modellversion kan du titta på fältet Följ status på modellversionssidan eller i tabellen med modellversioner på den registrerade modellsidan.

Inaktivera alla e-postaviseringar

Du kan inaktivera e-postaviseringar på fliken Model Registry Inställningar på menyn Användare Inställningar:

  1. Klicka på User Settings IconInställningar i det nedre vänstra hörnet på Azure Databricks-arbetsytan.
  2. Klicka på Användare Inställningar.
  3. Gå till fliken E-postinställningar .
  4. Inaktivera e-postaviseringar i Model Registry.

En administratör kan inaktivera e-postaviseringar för hela organisationen i administratörskonsolen.

Maximalt antal e-postmeddelanden som skickas

Model Registry begränsar antalet e-postmeddelanden som skickas till varje användare per dag per aktivitet. Om du till exempel får 20 e-postmeddelanden på en dag om nya modellversioner som skapats för en registrerad modell, skickar Model Registry ett e-postmeddelande som anger att den dagliga gränsen har nåtts och inga ytterligare e-postmeddelanden om händelsen skickas förrän nästa dag.

Om du vill öka gränsen för antalet tillåtna e-postmeddelanden kontaktar du din Databricks-representant.

Webhooks

Viktigt

Den här funktionen finns som allmänt tillgänglig förhandsversion.

Med webhooks kan du lyssna efter Model Registry-händelser så att dina integreringar automatiskt kan utlösa åtgärder. Du kan använda webhooks för att automatisera och integrera din maskininlärningspipeline med befintliga CI/CD-verktyg och arbetsflöden. Du kan till exempel utlösa CI-versioner när en ny modellversion skapas eller meddela dina teammedlemmar via Slack varje gång en modellövergång till produktion begärs.

Kommentera en modell eller modellversion

Du kan ange information om en modell eller modellversion genom att skriva en kommentar. Du kanske till exempel vill ta med en översikt över problemet eller information om den metod och algoritm som används.

Kommentera en modell eller modellversion med hjälp av användargränssnittet

Azure Databricks-användargränssnittet tillhandahåller flera sätt att kommentera modeller och modellversioner. Du kan lägga till textinformation med hjälp av en beskrivning eller kommentarer och du kan lägga till sökbara nyckel/värde-taggar. Beskrivningar och taggar är tillgängliga för modeller och modellversioner. kommentarer är endast tillgängliga för modellversioner.

  • Beskrivningar är avsedda att ge information om modellen.
  • Kommentarer ger ett sätt att upprätthålla en pågående diskussion om aktiviteter i en modellversion.
  • Med taggar kan du anpassa modellmetadata för att göra det enklare att hitta specifika modeller.

Lägga till eller uppdatera beskrivningen för en modell eller modellversion

  1. På sidan med den registrerade modellen eller modellversionen klickar du på Redigera bredvid Beskrivning. Ett redigeringsfönster visas.

  2. Ange eller redigera beskrivningen i redigeringsfönstret.

  3. Klicka på Spara för att spara ändringarna eller Avbryt för att stänga fönstret.

    Om du har angett en beskrivning av en modellversion visas den i kolumnen Description (Beskrivning) i tabellen på sidan med registrerade modeller. Kolumnen visar max 32 tecken eller en textrad, beroende på vilket som är kortare.

Lägga till kommentarer för en modellversion

  1. Rulla ned på modellversionssidan och klicka på nedåtpilen bredvid Aktiviteter.
  2. Skriv kommentaren i redigeringsfönstret och klicka på Lägg till kommentar.

Lägga till taggar för en modell eller modellversion

  1. På sidan med den registrerade modellen eller modellversionen klickar du på Tag icon om den inte redan är öppen. Tabellen taggar visas.

    tag table

  2. Klicka i fälten Namn och Värde och ange nyckeln och värdet för taggen.

  3. Klicka på Lägg till.

    add tag

Redigera eller ta bort taggar för en modell eller modellversion

Om du vill redigera eller ta bort en befintlig tagg använder du ikonerna i kolumnen Åtgärder .

tag actions

Kommentera en modellversion med hjälp av API:et

Om du vill uppdatera en beskrivning för en modellversion använder du metoden update_model_version() för MLflow-klient-API:et:

client = MlflowClient()
client.update_model_version(
  name="<model-name>",
  version=<model-version>,
  description="<description>"
)

Om du vill ange eller uppdatera en tagg för en registrerad modell eller modellversion använder du MLflow-klient-API set_registered_model_tag() :et eller set_model_version_tag() -metoden:

client = MlflowClient()
client.set_registered_model_tag()(
  name="<model-name>",
  key="<key-value>",
  tag="<tag-value>"
)
client = MlflowClient()
client.set_model_version_tag()(
  name="<model-name>",
  version=<model-version>,
  key="<key-value>",
  tag="<tag-value>"
)

Byta namn på en modell (endast API)

Om du vill byta namn på en registrerad modell använder du metoden rename_registered_model() för MLflow-klient-API:et:

client=MlflowClient()
client.rename_registered_model("<model-name>", "<new-model-name>")

Anteckning

Du kan bara byta namn på en registrerad modell om den inte har någon version, eller om alla versioner är i fasen None (Ingen) eller Archived (Arkiverad).

Söka efter en modell

Alla registrerade modeller finns i MLflow Model Registry. Du kan söka efter modeller med hjälp av användargränssnittet eller API:et.

Söka efter en modell med hjälp av användargränssnittet

Om du vill visa alla registrerade modeller klickar du på Models IconModeller i sidopanelen.

Om du vill söka efter en särskild modell skriver du namnet på modellen i sökrutan.

Registered models search

Du kan också filtrera modeller baserat på taggar. Klicka på Filter och ange taggar i formatet: tags.<key>=<value>. Om du vill filtrera baserat på flera taggar använder du operatorn AND .

Tag-based search

Söka efter en modell med hjälp av API:et

Om du vill hämta en lista över alla registrerade modeller använder du metoden list_model_versions() för MLflow-klient-API:et:

from pprint import pprint

client = MlflowClient()
for rm in client.list_registered_models():
  pprint(dict(rm), indent=4)

Detta ger följande utdata:

{   'creation_timestamp': 1582671933216,
    'description': None,
    'last_updated_timestamp': 1582671960712,
    'latest_versions': [<ModelVersion: creation_timestamp=1582671933246, current_stage='Production', description='A random forest model containing 100 decision trees trained in scikit-learn', last_updated_timestamp=1582671960712, name='sk-learn-random-forest-reg-model', run_id='ae2cc01346de45f79a44a320aab1797b', source='./mlruns/0/ae2cc01346de45f79a44a320aab1797b/artifacts/sklearn-model', status='READY', status_message=None, user_id=None, version=1>,
    <ModelVersion: creation_timestamp=1582671960628, current_stage='None', description=None, last_updated_timestamp=1582671960628, name='sk-learn-random-forest-reg-model', run_id='d994f18d09c64c148e62a785052e6723', source='./mlruns/0/d994f18d09c64c148e62a785052e6723/artifacts/sklearn-model', status='READY', status_message=None, user_id=None, version=2>],
    'name': 'sk-learn-random-forest-reg-model'}

Du kan också söka efter ett särskild modellnamn och visa dess versionsinformation med hjälp av metoden search_model_versions() för MLflow-klient-API:et:

from pprint import pprint

client=MlflowClient()
[pprint(mv) for mv in client.search_model_versions("name=<model-name>")]

Detta ger följande utdata:

{   'creation_timestamp': 1582671933246,
    'current_stage': 'Production',
    'description': 'A random forest model containing 100 decision trees '
                   'trained in scikit-learn',
    'last_updated_timestamp': 1582671960712,
    'name': 'sk-learn-random-forest-reg-model',
    'run_id': 'ae2cc01346de45f79a44a320aab1797b',
    'source': './mlruns/0/ae2cc01346de45f79a44a320aab1797b/artifacts/sklearn-model',
    'status': 'READY',
    'status_message': None,
    'user_id': None,
    'version': 1 }

{   'creation_timestamp': 1582671960628,
    'current_stage': 'None',
    'description': None,
    'last_updated_timestamp': 1582671960628,
    'name': 'sk-learn-random-forest-reg-model',
    'run_id': 'd994f18d09c64c148e62a785052e6723',
    'source': './mlruns/0/d994f18d09c64c148e62a785052e6723/artifacts/sklearn-model',
    'status': 'READY',
    'status_message': None,
    'user_id': None,
    'version': 2 }

Ta bort en modell eller modellversion

Du kan ta bort en modell med hjälp av användargränssnittet eller API:et.

Ta bort en modellversion eller modell med hjälp av användargränssnittet

Varning

Du kan inte ångra den här åtgärden. Du kan flytta en modellversion till fasen Archived (Arkiverad) i stället för att ta bort den från registret. När du tar bort en modell raderas alla modellartefakter som lagras av Model Registry och alla metadata som är associerade med den registrerade modellen.

Anteckning

Du kan bara ta bort modeller och modellversioner som är i fasen None (Ingen) eller Archived (Arkiverad). Om en registrerad modell har versioner i mellanlagrings -eller produktionsfasen måste du flytta dem till antingen fasen Ingen eller Arkiverad innan du tar bort modellen.

Så här tar du bort en modellversion:

  1. Klicka på Models IconModeller i sidopanelen.
  2. Klicka på ett modellnamn.
  3. Klicka på en modellversion.
  4. Klicka Delete model version i det övre högra hörnet på skärmen och välj Ta bort i den nedrullningsbara menyn.

Så här tar du bort en modell:

  1. Klicka på Models IconModeller i sidopanelen.
  2. Klicka på ett modellnamn.
  3. Klicka Delete model i det övre högra hörnet på skärmen och välj Ta bort i den nedrullningsbara menyn.

Ta bort en modellversion eller modell med hjälp av API:et

Varning

Du kan inte ångra den här åtgärden. Du kan flytta en modellversion till fasen Archived (Arkiverad) i stället för att ta bort den från registret. När du tar bort en modell raderas alla modellartefakter som lagras av Model Registry och alla metadata som är associerade med den registrerade modellen.

Anteckning

Du kan bara ta bort modeller och modellversioner som är i fasen None (Ingen) eller Archived (Arkiverad). Om en registrerad modell har versioner i mellanlagrings -eller produktionsfasen måste du flytta dem till antingen fasen Ingen eller Arkiverad innan du tar bort modellen.

Ta bort en modellversion

Om du vill tar bort en modellversion använder du metoden delete_model_version() för MLflow-klient-API:et:

# Delete versions 1,2, and 3 of the model
client = MlflowClient()
versions=[1, 2, 3]
for version in versions:
  client.delete_model_version(name="<model-name>", version=version)

Ta bort en modell

Om du vill tar bort en modell använder du metoden delete_registered_model() för MLflow-klient-API:et:

client = MlflowClient()
client.delete_registered_model(name="<model-name>")

Dela modeller mellan arbetsytor

Azure Databricks stöder delning av modeller mellan flera arbetsytor. Du kan till exempel utveckla och logga en modell i din egen arbetsyta och sedan registrera den i ett centraliserat modellregister. Detta är användbart när flera team har delad åtkomst till modeller. Du kan skapa flera arbetsytor och använda och hantera modeller i dessa miljöer.

Exempel

Det här exemplet illustrerar hur du använder modellregistret för att skapa ett maskininlärningsprogram: MLflow Model Registry-exempel.