MLFlow执行mlflow models build-docker无法指定自定义基础镜像问题咨询

自定义Dockerfile实现轻量化镜像的方法 #

• MLflow 1.25.0及以上版本（官方原生支持自定义）
  官方在该版本之后新增了--dockerfile入参，可以直接传入你自行编写的Dockerfile路径，覆盖默认的硬编码模板，命令示例如下：

  mlflow models build-docker -m {model_uri} -n {docker_name} --dockerfile ./custom.Dockerfile
  

  你也可以搭配--build-arg参数直接修改默认模板的基础镜像参数，不用完全重写Dockerfile就能更换轻量化基础镜像。
• 旧版本MLflow兼容方案
  你可以手动导出构建上下文自行修改构建：
  1. 执行一次默认的mlflow models build-docker命令，从命令输出的日志中找到临时构建目录的路径
  2. 复制该目录下的所有构建文件到本地工作目录，修改其中自动生成的Dockerfile，替换轻量化基础镜像、删除不必要的依赖安装步骤
  3. 手动执行docker build -t {docker_name} .完成镜像构建，改造后镜像体积普遍可以压缩到原有的1/3甚至更小。

默认使用Java服务的原因 #

官方默认配置优先保证全模型类型兼容性：内置的Java版MLflow Serving支持MLflow所有格式的模型部署，包括Spark MLlib、JVM版XGBoost、H2O等非Python生态的模型，而本地执行的mlflow serve默认走的python-func模式仅支持Python函数类型的模型，无法兼容其他生态的模型，因此官方选择兼容性更好的方案作为默认配置。

如果你确定你的模型仅为Python类型，可以在自定义Dockerfile中直接去掉所有Java相关依赖安装步骤，将容器启动命令替换为mlflow models serve的相关启动参数，就能实现和本地一致的运行模式，进一步压缩镜像体积。

内容的提问来源于stack exchange，提问作者mpjanus