如何在Azure ML Studio笔记本中加载自定义注册的ML模型

问题原因 #

你注册的模型是通过Azure ML SDK完成的，没有生成MLflow所需的MLmodel元数据文件——MLflow的load_model系列方法依赖这个文件识别模型类型、序列化格式等核心信息，因此直接调用会失败。

解决方案 #

方案1：用Azure ML SDK直接加载（最简便） #

既然模型是通过Azure ML SDK注册的，直接用Azure ML工具链加载是最直接的方式：

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

# 初始化MLClient（替换为你的工作区信息）
ml_client = MLClient(
    DefaultAzureCredential(),
    subscription_id="你的订阅ID",
    resource_group_name="你的资源组名",
    workspace_name="你的工作区名"
)

# 获取注册的模型
model = ml_client.models.get(name="你的模型名", version="你的模型版本")

# 下载模型文件到本地目录
download_path = "./downloaded_model"
model_file_path = ml_client.models.download(
    name=model.name,
    version=model.version,
    download_path=download_path
)

# 用joblib加载Sklearn pickle模型（替换为你的实际pickle文件名）
sklearn_model = joblib.load(f"{model_file_path}/model.pkl")

方案2：为现有模型添加MLflow元数据 #

如果必须用MLflow加载，需要给已注册模型补充MLflow的元数据文件：

1. 按照方案1的步骤下载模型的pickle文件到本地
2. 在模型文件所在目录创建MLmodel文件，内容如下（替换为你的Sklearn版本）：

flavor: sklearn
sklearn_version: 1.2.2
serialization_format: cloudpickle

3. 将MLmodel和pickle文件一起重新注册为Azure ML模型（或更新现有模型版本），确保artifact包含这两个文件
4. 之后即可用MLflow的mlflow.sklearn.load_model()加载模型，路径格式为models:/<模型名>/<版本号>

方案3：修改训练流程，集成MLflow #

如果后续还有训练任务，可以在训练脚本中加入MLflow跟踪逻辑，让训练后的模型自动生成MLflow元数据：

import mlflow
import mlflow.sklearn
from sklearn.ensemble import RandomForestClassifier

# 初始化MLflow跟踪（Azure ML环境中会自动关联工作区）
mlflow.set_experiment("你的实验名")

with mlflow.start_run():
    # 训练Sklearn模型
    model = RandomForestClassifier()
    model.fit(X_train, y_train)

    # 用MLflow记录模型（自动生成MLmodel文件）
    mlflow.sklearn.log_model(model, "model")

    # 注册模型到Azure ML模型注册表
    mlflow.register_model(f"runs:/{mlflow.active_run().info.run_id}/model", "你的模型名")

注意事项 #

• 确保加载模型时使用的Sklearn版本与训练时一致，避免版本不兼容导致加载失败
• 如果pickle文件用pickle而非cloudpickle序列化，需在MLmodel文件中修改serialization_format为pickle

内容的提问来源于stack exchange，提问作者Imperial_J