使用MLflow服务按需机器学习模型 使用和的按需训练和服务的机器学习模型的解决方案。 那里的大多数文档和样本通常会向您展示如何采用一种特定的ML模型并将其引入具有生产规模的生产环境中。 在此示例解决方案中，我们尝试提供一种方法来同时缩放系统中现有的不同模型的数量，而不是针对将要回答的推理请求的数量缩放一个特定的模型。 它是根据实际用例进行概括的，在该用例中，最终用户的行为需要对模型进行即时训练，然后根据其规格进行小规模推理。 此存储库中的代码允许创建MLflow项目的数据科学家使用不同的参数对其进行测试，然后再根据经过训练的模型为模型提供预测结果。 运行此示例时，我们假设一个笔记本已经在Azure Databricks中加载，并且该笔记本正在使用MLflow来存储和记录实验。 在此存储库中，有2个（基于MLflow提供的示例），您可以用来入门。 建筑 该解决方案包括在上部署的3个。 在此示例中，服务通过REST API进行通信。 是解决方案的入口点，可在发出火车模型请求和运行模型以接收预测结果之间进行导航。 管理对Databricks的请求-启动集群并运行笔记本来训练ML