MLflow【部署 01】MLflow官网Quick Start实操安装、模型训练、数据预测（一篇学会部署使用MLflow(1)

还有兄弟不知道网络安全面试可以提前刷题吗？费时一周整理的160+网络安全面试题，金九银十，做网络安全面试里的显眼包！

王岚嵚工程师面试题（附答案），只能帮兄弟们到这儿了！如果你能答对70%，找一个安全工作，问题不大。

对于有1-3年工作经验，想要跳槽的朋友来说，也是很好的温习资料！

【完整版领取方式在文末！！】

93道网络安全面试题

内容实在太多，不一一截图了

黑客学习资源推荐

最后给大家分享一份全套的网络安全学习资料，给那些想学习 网络安全的小伙伴们一点帮助！

对于从来没有接触过网络安全的同学，我们帮你准备了详细的学习成长路线图。可以说是最科学最系统的学习路线，大家跟着这个大的方向学习准没问题。

😝朋友们如果有需要的话，可以联系领取~

1️⃣零基础入门

① 学习路线

对于从来没有接触过网络安全的同学，我们帮你准备了详细的学习成长路线图。可以说是最科学最系统的学习路线，大家跟着这个大的方向学习准没问题。

② 路线对应学习视频

同时每个成长路线对应的板块都有配套的视频提供：

2️⃣视频配套工具&国内外网安书籍、文档

① 工具

② 视频

③ 书籍

资源较为敏感，未展示全面，需要的最下面获取

② 简历模板

因篇幅有限，资料较为敏感仅展示部分资料，添加上方即可获取👆

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化资料的朋友，可以点击这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

[13025] [INFO] Booting worker with pid: 13025
[13026] [INFO] Booting worker with pid: 13026

* –host 0.0.0.0 to listen on all network interfaces (or a specific interface address).


启动后，访问`http://<host>:<port>`可查看到页面：


![image.png](https://img-blog.csdnimg.cn/img_convert/27b7928905e15d4a641cea88195f8830.png)


如果使用的是 Databricks 未提供的托管 MLflow 跟踪服务器，或者运行本地跟踪服务器，请确保使用以下命令设置跟踪服务器的 URI：

import mlflow

mlflow.set_tracking_uri(uri=“http://:”)

如果未在运行时环境中设置此项，则运行将记录到本地文件系统。


### Step 3 - Train a model and prepare metadata for logging


在本部分中，我们将使用 MLflow 记录模型。这些步骤的快速概述如下：


* 加载并准备用于建模的 Iris 数据集。
* 训练逻辑回归模型并评估其性能。
* 准备模型超参数并计算日志记录指标。


官方代码如下：

import mlflow
from mlflow.models import infer_signature

import pandas as pd
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score

Load the Iris dataset

X, y = datasets.load_iris(return_X_y=True)

Split the data into training and test sets

X_train, X_test, y_train, y_test = train_test_split(
X, y, test_size=0.2, random_state=42
)

Define the model hyperparameters

params = {
“solver”: “lbfgs”,
“max_iter”: 1000,
“multi_class”: “auto”,
“random_state”: 8888,
}

Train the model

lr = LogisticRegression(**params)
lr.fit(X_train, y_train)

Predict on the test set

y_pred = lr.predict(X_test)

Calculate metrics

accuracy = accuracy_score(y_test, y_pred)

### Step 4 - Log the model and its metadata to MLflow


这个步骤将使用我们训练的模型、为模型拟合指定的超参数，以及通过评估模型对要记录到 MLflow 的测试数据的性能来计算的损失指标。步骤如下：


* 启动 MLflow 运行上下文以启动新运行，我们将模型和元数据记录到该运行。
* 记录模型参数和性能指标。
* 标记运行以便于检索。
* 在记录（保存）模型时，在 MLflow 模型注册表中注册模型。


官方代码如下：

Set our tracking server uri for logging

mlflow.set_tracking_uri(uri=“http://127.0.0.1:8080”)

Create a new MLflow Experiment

mlflow.set_experiment(“MLflow Quickstart”)

Start an MLflow run

with mlflow.start_run():
# Log the hyperparameters
mlflow.log_params(params)

# Log the loss metric
mlflow.log_metric("accuracy", accuracy)

# Set a tag that we can use to remind ourselves what this run was for
mlflow.set_tag("Training Info", "Basic LR model for iris data")

# Infer the model signature
signature = infer_signature(X_train, lr.predict(X_train))

# Log the model
model_info = mlflow.sklearn.log_model(
    sk_model=lr,
    artifact_path="iris\_model",
    signature=signature,
    input_example=X_train,
    registered_model_name="tracking-quickstart",
)

### Step 5 - Load the model as a Python Function (pyfunc) and use it for inference


记录模型后，我们可以通过以下方式执行推理：


* 使用 MLflow 的 pyfunc 风格加载模型。
* 使用加载的模型对新数据运行 Predict。


官方源码如下：

Load the model back for predictions as a generic Python Function model

loaded_model = mlflow.pyfunc.load_model(model_info.model_uri)

predictions = loaded_model.predict(X_test)

iris_feature_names = datasets.load_iris().feature_names

result = pd.DataFrame(X_test, columns=iris_feature_names)
result[“actual_class”] = y_test
result[“predicted_class”] = predictions

result[:4]

### Step 6 - View the Run in the MLflow UI


官方带注释的示例：


![](https://img-blog.csdnimg.cn/img_convert/e3a1ce4e92694a7a091a3f124692dcef.png)  
 实际执行示例：


![image.png](https://img-blog.csdnimg.cn/img_convert/e4a00eda4aa9761fd9223accb8cf05e5.png)  
 官方运行详情图片：


![](https://img-blog.csdnimg.cn/img_convert/8eb09d0441a1f92e616bb02522848c1f.png)  
 实际运行详情图片：


![image.png](https://img-blog.csdnimg.cn/img_convert/524053bc6e37d6ad603bbbb91dab0a32.png)  
 查看生成的模型：


![image.png](https://img-blog.csdnimg.cn/img_convert/ab599db30608fc1fc7ad20401bc26f64.png)  
 恭喜你完成了 MLflow 跟踪快速入门！


## 3.模型使用


模型文件可以从MLflow的页面上下载，调用代码如下：

import pickle

from sklearn import datasets
from sklearn.model_selection import train_test_split

使用鸢尾数据集

Load the Iris dataset

X, y = datasets.load_iris(return_X_y=True)

Split the data into training and test sets

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

使用自己收集的数据

X_test = [[5.1, 3.5, 1.4, 0.2], [7, 3.2, 4.7, 1.4], [5.8, 2.7, 5.1, 1.9], [5, 3.4, 1.5, 0.2]]

加载模型文件

with open(‘model.pkl’, ‘rb’) as f:
model = pickle.load(f)

预测类别

predict_res = model.predict(X_test)
print(predict_res)

类别的概率值

predict_proba_res = model.predict_proba_res(X_test)
print(predict_proba_res)

一、网安学习成长路线图

网安所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

二、网安视频合集

观看零基础学习视频，看视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

三、精品网安学习书籍

当我学到一定基础，有自己的理解能力的时候，会去阅读一些前辈整理的书籍或者手写的笔记资料，这些笔记详细记载了他们对一些技术点的理解，这些理解是比较独到，可以学到不一样的思路。

四、网络安全源码合集+工具包

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

五、网络安全面试题

最后就是大家最关心的网络安全面试题板块

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化资料的朋友，可以点击这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！