mlflow.recipes

MLflow Recipes 是一个框架，使您能够快速开发高质量的模型并将其部署到生产环境中。与临时性的 ML 工作流程相比，MLflow Recipes 提供了几个主要优势：

配方模板：预定义模板用于常见的机器学习任务，例如回归建模，使您能够快速上手并专注于构建优秀的模型，消除了传统上需要大量样板代码来整理数据集、工程特征、训练和调整模型以及打包模型以进行生产部署的工作。
配方引擎：智能配方执行引擎通过缓存过程中的每一步结果，并在更改时重新运行最小步骤集，从而加速模型开发。
生产就绪结构：模块化、与 git 集成的配方结构通过确保所有模型代码、数据和配置易于 ML 工程师审查和部署，极大地简化了从开发到生产的交接过程。

class mlflow.recipes.Recipe[源代码]

一个工厂类，根据当前工作目录和提供的配置，创建特定机器学习问题（例如回归、分类）或 MLOps 任务（例如批量评分）的配方实例。

示例

import os
from mlflow.recipes import Recipe

os.chdir("~/recipes-regression-template")
regression_recipe = Recipe(profile="local")
regression_recipe.run(step="train")

static __new__(cls, profile: str)[源代码]

基于当前工作目录和提供的配置，为特定的机器学习问题或MLOps任务创建一个MLflow Recipe实例。当前工作目录必须是MLflow Recipe仓库的根目录或其子目录。

参数:: profile – 用于配置特定问题或任务的配方的配置文件名称。配置文件自定义一个或多个配方步骤的配置，使用不同配置文件的配方执行通常会产生不同的结果。
返回:: 一个特定机器学习问题或MLOps任务的配方。例如，回归问题的 RegressionRecipe 实例。

import os
from mlflow.recipes import Recipe

os.chdir("~/recipes-regression-template")
regression_recipe = Recipe(profile="local")
regression_recipe.run(step="train")

class mlflow.recipes.recipe.BaseRecipe[源代码]

基础配方

clean(step: str | None = None) → None[源代码]

从缓存中移除指定步骤的输出，如果没有指定特定步骤，则移除所有步骤的缓存输出。在特定步骤的缓存输出被清理后，下次通过 BaseRecipe.run() 调用该步骤时，该步骤将完全重新执行。

参数:: step – 配方中要清理的步骤的字符串名称。如果未指定，则删除所有配方步骤的缓存输出。

get_artifact(artifact_name: str)[源代码]

从配方输出中读取一个工件。工件名称可以从 Recipe.inspect() 或 Recipe.run() 输出中获得。

如果未找到指定的工件，则返回 None。如果工件不受支持，则引发错误。

inspect(step: str | None = None) → None[源代码]

显示步骤的主要输出，如果没有指定步骤，则显示配方DAG。

参数:: step – 字符串名称用于在配方中显示步骤输出。如果未指定步骤，则显示配方的DAG。
返回:: 无

property name: str: 返回配方的名称。

property profile: str: 返回将执行配方及其步骤的配置文件。

run(step: str | None = None) → None[源代码]

运行配方中的一个步骤，如果未指定步骤，则运行整个配方。

参数:: step – 字符串名称，用于在配方中运行一个步骤。该步骤及其依赖项将按顺序运行。如果未指定步骤，则执行整个配方。
返回:: 无