在Azure ML Studio交互式笔记本中加载已注册的sklearn MLflow模型

问题描述 #

我正在使用Azure Machine Learning Studio，已将存储在默认数据存储（Blob存储）中的sklearn mlflow模型注册为模型资产。如何在交互式笔记本中加载该模型，以便在部署为批处理端点前快速进行推理测试？

我看到有帖子建议将模型工件下载到本地，但无需这么做，应该可以直接从数据存储或已注册资产加载模型，避免重复存储。我尝试了以下方法但均未成功：

从已注册模型资产读取（失败） #

import mlflow
from azure.ai.ml import MLClient
from azure.ai.ml.entities import Model
from azure.identity import DefaultAzureCredential

ml_client = MLClient(DefaultAzureCredential(), "<subscription_id>", "<resource_group>", "<workspace_id>")

model = ml_client.models.get("<model_name>", version="1")
loaded_model = mlflow.sklearn.load_model(model.id)

OSError: No such file or directory: ...

从数据存储读取（失败） #

import mlflow

model_path = "<datastore_uri_to_model_folder>"
loaded_model = mlflow.sklearn.load_model(model_path)

DeserializationError: Cannot deserialize content-type: text/html

解决方案 #

方法1：通过已注册模型的path属性加载 #

已注册模型的path字段包含了模型在Azure存储中的MLflow兼容URI，直接使用这个路径即可：

import mlflow
from azure.ai.ml import MLClient
from azure.identity import DefaultAzureCredential

# 初始化MLClient
ml_client = MLClient(DefaultAzureCredential(), "<subscription_id>", "<resource_group>", "<workspace_id>")

# 获取已注册模型
model = ml_client.models.get("<model_name>", version="1")

# 使用模型的path属性加载，该路径是Azure存储的mlflow兼容URI
loaded_model = mlflow.sklearn.load_model(model.path)

# 测试推理
sample_input = [[5.1, 3.5, 1.4, 0.2]]
prediction = loaded_model.predict(sample_input)
print(prediction)

方法2：使用Azure ML datastore的URI格式 #

如果直接使用数据存储路径，需要确保是MLflow可识别的Azure存储URI格式，即azureml://datastores/<datastore_name>/paths/<model_folder_path>，而不是普通的Blob存储URL：

import mlflow
from azure.ai.ml import MLClient
from azure.identity import DefaultAzureCredential

ml_client = MLClient(DefaultAzureCredential(), "<subscription_id>", "<resource_group>", "<workspace_id>")

# 获取默认数据存储
datastore = ml_client.datastores.get("workspaceblobstore")

# 构造正确的MLflow兼容路径
model_path = f"azureml://datastores/{datastore.name}/paths/<model_folder_in_blob>"
loaded_model = mlflow.sklearn.load_model(model_path)

# 测试推理
sample_input = [[5.1, 3.5, 1.4, 0.2]]
print(loaded_model.predict(sample_input))

关键说明 #

• model.id是Azure ML内部的模型资产ID，不是MLflow可识别的模型路径，所以直接用它会报错。
• 普通Blob存储URL（如https://<account>.blob.core.windows.net/...）无法被MLflow直接解析，必须使用azureml://格式的URI，MLflow会通过Azure ML的认证机制访问存储。

内容的提问来源于stack exchange，提问作者Matt_Haythornthwaite