Version: 2.17.1

开发自定义模型的标准格式

开发自定义模型包括以下步骤：

准备模型代码；
编辑相应的本地模型注册脚本、模型预测入口脚本和 conda 依赖项脚本；
生成本地生成的模型文件夹。

示例模型

线性函数，输入参数x，通过y=2x+1,得到y。

    def Linear_function(x):
      y = 2 * x + 1
      return y

注册文件目录

    ├── conda.yaml                     <- 定义环境脚本.
    ├── prediction.py                  <- 定义模型预测入口脚本.
    ├── other_dependent_file1.py       <- 模型依赖文件1.
    ├── other_dependent_file2.py       <- 模型依赖文件2.
    ├── other_dependent_file3.py       <- 模型依赖文件3.
    ├── ......                         <- 模型依赖文件n.
    └── local_registration_model.py    <- 本地模型注册脚本.

编写模型文件夹

定义环境脚本 conda.yaml
基于平台所提供的多种基础镜像包，如果模型仍含有基础镜像不涵盖的依赖包，则需要自定义 conda.yaml 。如果模型所需的依赖包均在基础镜像包中，则无需自定义 conda.yaml。
以下是自定义的Conda环境的示例表示形式：
```
dependencies:
   - python=3.7.7          #自定义依赖包
   - pip=20.2.4
   - pip:
      - opencv-python==4.1.2.30   #自定义依赖包
      - pillow=7.2.0          #自定义依赖包
      - tensorflow=1.14.0     #自定义依赖包
```

定义模型预测入口脚本 prediction.py

入口脚本接收提交到已部署 Web 服务的数据，将数据传递给模型并进行模型预测，并将预测数据返回。

你需要在输入脚本中完成以下操作：定义 model_predict类，覆写函数 predict(context, model_input)

predict() 函数为自定义的Python模型的预测函数，context为PythonModelContext实例，其中包含模型可用于执行推理的变量。model_input为入参变量。

以下是自定义的predict()的示例表示形式：

    class model_predict(pyfunc.PythonModel):
        def predict(self, context, inputs):
            # 入参
            input = inputs.values

            # 调用自定义的Linear_function()进行模型预测
            outputs = Linear_function(input)

            # 转换为平台可识别格式
            x = np.zeros((len(outputs), 1))
            for i in range(len(outputs)):
                x[i, 0] = outputs[i, 0]
            dic = {"y": x[:, 0]}
            predict_value = pd.DataFrame(dic, index=range(0, len(outputs)))
            # 返回预测结果
            return predict_value

编辑本地模型注册脚本 local_registration_model.py
函数 mlflow.pyfunc.log_model()
```
    mlflow.pyfunc.log_model(artifact_path, code_path, conda_env, python_model, artifacts)
```
参数说明：
- artifact_path – Python模型保存路径。
- code_path – 自定义覆写的模型预测入口脚本（prediction.py）以及模型预测所依赖的文件或文件路径。
- conda_env – 自定义的环境脚本（conda.yaml），或者，当无特别的依赖包，可以选择None为默认Conda环境。
- python_model – 模型预测脚本( prediction.py )中的类函数 model_predict()。
- artifacts – 自定义保存的文件或者文件路径。模型预测时，python_model可以将其解析的文件作为PythonModel.load_context（）和PythonModel.predict（）中context数的artifacts属性来引用。如果为None，则不会将任何文件添加到模型。
以下为本地模型注册的示例脚本：
```
    def local_registration_model():
       mlflow.pyfunc.log_model(
          artifact_path="model",     # 模型文件夹名称(自定义)
          python_model=model_predict(),    # 模型预测类函数( prediction.py )
          code_path=['prediction.py', 'Linear_function.py'],     # 模型预测文件
          conda_env=None,         # 环境文件
          )
```
```
    if __name__ == '__main__':
       local_registration_model()    # 本地注册模型
```

本地生成模型文件夹

本地运行模型注册脚本并生成模型文件夹

运行文件后，在本地默认路径 "./mlruns/0/[自动生成的模型运行id]/artifacts/" 下。

生成相应的模型行文件夹如下：

- model                   # 生成的模型文件名称
  - artifacts             # 保存生成的依赖文件、模型文件或文件夹
    - file                  
    - file1.txt
    - model.h5     
  - code                  # 保存需要的代码文件
    - prediction.py       # 预测文件：覆写mlflow.pyfunc的预测方法
  - conda.yaml            # 模型需要的环境配置或生成默认环境文件
  - MLmodel               # 自动生成的模型配置文件
  - python_model.pkl      # 自动生成的模型文件

以下为示例模型生成的模型文件夹的目录结构如下：

利用本地注册模型进行模型预测验证

通过读取本地生成的模型文件夹，输出正确的预测结果，即为模型验证通过。

以下为针对已生成的示例模型的模型文件夹的模型验证：

    if __name__ == '__main__':
      # 本地注册模型生成的模型路径
      model_path = "." + "/mlruns/0/bf2a396b70c84b61bb30568bc2e326c7/artifacts/model"
      test = mlflow.pyfunc.load_model(model_path)
      # 模型入参

      input_x = pd.read_json('{"columns":["x"], "data": [[1],[2]]}', orient="split", dtype=False)

      # 模型预测
      predictions = test.predict(input_x)
      # 输出预测结果
      print(predictions)

预测结果输出

至此，已生成本地的自定义模型文件夹。

本地运行模型注册脚本,生成模型文件夹。在本地默认路径 "./mlruns/0/[自动生成的模型运行id]/artifacts/" 下。

模型上传本地文件夹时，选择目录"./mlruns/0/[自动生成的模型运行id]/artifacts/model"文件夹上传。