我们通过 MLflow Models（
https://mlflow.org/docs/latest/models.html）来部署模型。一个 MLflow Model 是一种打包机器学习模型的标准格式，可以被用于多种下游工具，比如实时推理的 REST API 或者批量推理的 Apache Spark 。

示例：离线训练模型发布 (mlflow 2.22.0)

在
examples/sklearn_elasticnet_wine/train.py 中，这行代码用于保存模型（称为artifact）：

mlflow.sklearn.log_model(lr, "model")

模型训练：

python examples/sklearn_elasticnet_wine alpha=0.42

通过调用 mlflow.sklearn.log_model 产生文件，位于类似目录
/home/your_name/mlflow/mlflow/mlruns/0/b53f1fed5fee458bb5e48d7f5df4fea0/artifacts/model。

├── conda.yaml
├── MLmodel
├── model.pkl
├── python_env.yaml
└── requirements.txt

• MLmodel元数据文件是告诉MLflow如何加载模型。

• model.pkl文件是训练好的序列化的线性回归模型。

运行Serve命令，可以将模型部署成本地REST服务。

# 需要替换成你自己的目录
 mlflow models serve -m /home/s2402561/mlflow/mlflow/mlruns/0/b53f1fed5fee458bb5e48d7f5df4fea0/artifacts/model -p 1234 --no-conda 

由于记录模型时，没有提供conda.yaml,这里我们使用--no-conda参数，直接使用现有conda环境。若没有提供conda.yaml，mlflow会尝试新建pyenv虚拟环境，本地没有安装pyenv，会报错：

mlflow.exceptions.MlflowException: Could not find the pyenv binary. See https://github.com/pyenv/pyenv#installation for installation instructions.

这里我们可以用 mlflow models serve -m
/home/s2402561/mlflow/mlflow/mlruns/0/b53f1fed5fee458bb5e48d7f5df4fea0/artifacts/model -p 1234 --no-conda

部署好服务之后，可以通过curl命令发送json序列化的pandas DataFrame来测试下。模型服务器接受的数据格式可以参考MLflow deployment tools documentation.

MLflow 2.0 及以上版本要求预测请求的 JSON 数据必须包含以下四个字段之一：

• instances：适用于非表格数据（如张量、数组）。
• dataframe_split：适用于表格数据（Pandas DataFrame 拆分格式）。
• inputs：通用输入字段（部分场景使用）。
• dataframe_records：表格数据的另一种格式（按记录列表传递）。

curl -X POST -H "Content-Type:application/json" \
--data '{"columns":["alcohol", "chlorides", "citric acid", "density", "fixed acidity", "free sulfur dioxide", "pH", "residual sugar", "sulphates", "total sulfur dioxide", "volatile acidity"],"data":[[12.8, 0.029, 0.48, 0.98, 6.2, 29, 3.33, 1.2, 0.39, 75, 0.66]]}' \
http://127.0.0.1:1234/invocations

服务器会返回类似输出：

{"predictions": [5.814644095729717]}

在发送请求前，确保 MLflow 模型服务器已正确启动并监听指定端口（如 127.0.0.1:1234）。可通过以下命令检查：

curl http://127.0.0.1:1234/health  # 健康检查接口，正常应返回 {"status": "healthy"}