Model registry
Et system til versionering, lagring og styring af maskinlæringsmodeller gennem deres livscyklus.
Kort fortalt
En model registry er som et bibliotek for dine trænede modeller, hvor du kan gemme, versionere og slå op i dem.
- Kategori
- værktøj
- Niveau
- øvet
Betydninger
1- 1
Et centralt lager til at gemme, versionere og administrere maskinlæringsmodeller, ofte med tilhørende metadata som træningsparametre, metriker, og deploymentsoplysninger.
- MLflow Model Registry giver mulighed for at registrere modeller, gå over i forskellige stadier og deploye dem. — MLflow documentation
- Før deployment blev modellen godkendt i model registryet og flyttet til produktionsstadiet.
Hvornår bruges det
Model registries bruges i MLOps til at spore modelversioner, metadata, og deployment-status. De sikrer reproducerbarhed og gør det let at rulle tilbage til tidligere versioner.
Kodeeksempel
import mlflow
mlflow.set_tracking_uri("http://localhost:5000")
with mlflow.start_run():
# train model and log
mlflow.sklearn.log_model(model, "my_model")
# register model
mlflow.register_model("runs:/<run_id>/my_model", "MyModelName")Eksempel på brug af MLflow til at registrere en model i model registry'et.
Oprindelse
Udtrykket er dannet af engelsk 'model' og 'registry', hvor 'registry' betyder register eller fortegnelse.