索引 / 标签
#运维
共 8 篇
- Ch21 MLOps
21.1 模型怎么变成服务
训练完的模型是一个文件（几十 MB 到几十 GB）。用户不能直接"打开文件"使用——需要把它变成一个 API 服务（API 即应用程序接口，让其他程序可以通过网络发送请求、获取结果——就像餐厅的菜单：你按格式点菜，厨房按格式出菜）。
约 3 分钟1,114 字 - Ch21 MLOps
21.2 MLOps成熟度模型
Google在2020年提出了MLOps成熟度模型，2026年仍然适用。理解你在哪个级别，能帮你决定下一步该做什么： Level 0：手动流程 - 特征：训练脚本是手写的，参数是手动调的，部署是手动复制文件的。没有版本管理，没有实验记录，没有人能复现三个月前的模型效果。 - 典型
约 2 分钟607 字 - Ch21 MLOps
21.3 实验管理
训练一个机器学习模型不是"写一段代码，跑一次就完事"。你通常会尝试几十甚至上百组不同的配置：学习率从 0.0001 试到 0.1，batch size 从 8 试到 128，LoRA 的 r 值从 4 试到 64。每组配置跑一次训练，产生一个"实验"。
约 6 分钟1,880 字 - Ch21 MLOps
21.4 小型团队MLOps最低可行方案
如果你是一个3-5人的小团队，不需要Kubernetes集群、不需要CI/CD流水线、不需要AutoML。以下是最小可行工具集，按优先级排列： 第一优先：实验跟踪——MLflow（本地部署） 为什么：你调了10组参数，一周后完全记不住哪组最好。MLflow只需要3行代码就能记录实
约 2 分钟618 字 - Ch21 MLOps
21.6 生产监控
模型上线之后，很多人以为"完事了"——模型在跑，API 在响应，监控面板一片绿。但实际上，模型在生产环境中是一个持续衰减的资产。不像传统的软件代码——只要不修改，同样的输入永远产生同样的输出。ML 模型面对的是一个不断变化的世界：用户的行为在变、语言的用法在变、新的概念和产品不断
约 7 分钟2,276 字 - Ch21 MLOps
21.7 CI/CD
CI/CD 是 Continuous Integration / Continuous Deployment（持续集成 / 持续部署）的缩写。在传统软件开发中，CI/CD 意味着"代码提交 → 自动跑测试 → 自动打包 → 自动部署到服务器"。在 MLOps 中，CI/CD 的含
约 6 分钟1,850 字 - Ch21 MLOps
21.9 2026年MLOps趋势
2026年，MLOps正在分化为三个新方向： LLMOps（大模型运维）：传统MLOps管的是"训练自己的模型"，LLMOps管的是"使用别人的大模型"。核心挑战不同： - 提示词管理：不是管理模型版本，而是管理提示词版本。一个提示词的微小改动（"你是专家" vs "你是世界级专
约 2 分钟630 字 - Ch21 MLOps
第21章 . MLOps 基础
你训练好了一个模型（Ch11 模型微调），怎么让它上线给别人用？怎么知道它在生产环境跑得好不好？怎么把模型更新从"手动折腾半天"变成"代码推送自动完成"？MLOps（机器学习运维）就是管这些事的。 MLOps 本质上是一套从实验到生产的工程化方法。它解决的核心问题是：数据科学家在
约 2 分钟667 字