ddpm模型代码（ddm模型 g）



MLflow 使用 MLModel 格式将所有相关模型资产存储在文件夹或目录中。 目录中的一个基本文件是 文件。 文件是有关应如何加载和使用模型的单一可信源。

文件可能包括：

• ：在训练作业期间，模型记录到此路径。
• ：用于创建模型的机器学习库。
• ：注册的模型的唯一标识符。
• ：在运行期间创建了模型的作业运行的唯一标识符。
• ：指定模型的输入和输出的架构：
  • ：模型的有效输入。 例如，训练数据集的子集。
  • ：有效的模型输出。 例如，输入数据集的模型预测。

为使用 训练的计算机视觉模型创建的 MLmodel 文件示例可能如下所示：

要设置的最重要的内容是风格和签名。

风格是用于创建模型的机器学习库。

例如，要创建图像分类模型来检测乳腺癌，你将使用 。 Fastai 是 MLflow 中的一种风格，它告知应如何持久保存和加载模型。 由于每个模型风格都指示他们希望如何持久保存和加载模型，因此 MLModel 格式不会强制实施所有模型都需要支持的单一序列化机制。 这种决策允许每种风格使用根据最佳做法提供最佳性能或最佳支持的方法，而不会影响与 MLModel 标准的兼容性。

风格是从 MLflow 运行创建的模型的默认模型接口。 任何 MLflow Python 模型都可以作为 模型加载，这使部署等工作流可以与任何 Python 模型一起使用，而不管使用哪个框架生成模型。 这种互操作性非常强大，因为它减少了在多个环境中操作的时间。

Python 函数风格的示例可能如下所示：

除了风格外， 文件还包含签名，这些签名充当模型与运行模型的服务器之间的数据协定。

有两种类型的签名：

• 基于列：用于以 作为输入的表格数据。
• 基于张量：用于 n 维数组或张量（通常用于文本或图像等非结构化数据），以 作为输入。

由于 文件是在注册模型时创建的，因此签名也在注册模型时创建。 启用 MLflow 的自动日志记录时，签名将以尽最大努力的方式推断出来。 如果希望签名不同，则需要手动记录模型。

部署模型时，签名的输入和输出非常重要。 将 Azure 机器学习的无代码部署用于 MLflow 模型时，将强制实施签名中设置的输入和输出。 换句话说，在将数据发送到已部署的 MLflow 模型时，预期的输入和输出需要匹配签名中定义的架构。

版权声明：

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如若内容造成侵权、违法违规、事实不符，请将相关资料发送至xkadmin@xkablog.com进行投诉反馈，一经查实，立即处理！

转载请注明出处，原文链接：https://www.xkablog.com/bcyy/37456.html