用途:为团队提供 MLflow 在生产环境中的实践模式,覆盖追踪服务器搭建、模型注册与部署触发。
主要能力与用法:一、生产服务器搭建,采用 PostgreSQL 存元数据、S3 存工件,用 mlflow server --backend-store-uri postgresql://... --default-artifact-root s3://... --serve-artifacts 启动,客户端通过 export MLFLOW_TRACKING_URI 或 mlflow.set_tracking_uri 连接,也提供 Docker 运行方式。二、模型签名与注册,用 infer_signature 定义输入输出,log_model 时传 signature、input_example、registered_model_name,再用 MlflowClient 转换阶段并设置别名。三、MLproject 文件定义 preprocess、train、evaluate 入口,用 mlflow run . -e train -P 参数运行,支持 Git 与远程集群后端。四、自定义 pyfunc flavor,继承 mlflow.pyfunc.PythonModel,在 load_context 中加载 artifacts,在 predict 中实现推理,用 mlflow.pyfunc.log_model 记录。五、注册表 webhook,通过 create_registry_webhook 在模型转为 Production 时 POST 到 CI/CD 端点。
限制与反模式:生产环境避免使用 SQLite;记录模型必须带签名;晋升 Production 应设置评估门槛与人工或自动审批;工件应存于 S3 而非后端存储。