为什么我的 PythonModel 需要 3 个参数，但只定义了 2 个？

Question

我尝试通过

创建一个Python模型

1. 创建班级
2. 使用 mlflow 记录它

课程看起来像：

# Model wrapper class
class ModelWrapper(mlflow.pyfunc.PythonModel):
def __init__(self):
self.generator = None

    def predict(self, json_input):
    
        # preprocess
        df = function1(self, json_input) # returns a pandas df
    
        # calculation
        result = function12(self, df) # returns the result
    
        return result

当我尝试使用 mlflow 记录模型时，问题出现了：

with mlflow.start_run() as run:     
    mlflow.pyfunc.log_model("custom_model",
                         python_model=ModelWrapper(),
                         input_example=json_input)

它给了我错误/警告：

WARNING mlflow.utils.requirements_utils: Failed to run predict on input_example, dependencies introduced in predict are not captured.

TypeError('ModelWrapper.predict() takes 2 positional arguments but 3 were given')Traceback (most recent call last): ...

直接调用类时使用：

model_wrapper = ModelWrapper() 
print(model_wrapper.predict(json_input))

我得到了所需的输出。

但是当我尝试记录模型或加载然后调用预测函数时，我收到了上述错误。

有谁知道为什么或者第三个参数是什么，因为我只给函数提供“json_input”和“self”？

Answer 1

首先，

self

是一个特殊的类论证。在类中，当您定义以

self

作为输入的方法（例如/

def myfunction(self, myarg)

）时，必须将其作为类的属性（例如/

self.myfunction(myarg)

）而不是函数来调用。这有两件事：

1. 它调用类方法，而不是类外部的方法
2. 它输入 self 作为方法调用的第一个参数

固定类定义：

# Model wrapper class
class ModelWrapper(mlflow.pyfunc.PythonModel):
    def __init__(self):
        self.generator = None

    def predict(self, json_input):
    
        # preprocess
        df = self.function1(json_input) # returns a pandas df
    
        # calculation
        result = self.function12(df) # returns the result
    
        return result

其次，如果这不能解决问题，您可能需要向函数定义添加其他参数。当将调用传播到

input_example

时，调用

json_input

的方式可能会发送不需要的参数。

您始终可以将

*args

和

**kwargs

输入添加到

predict

方法定义中，以查看

log_model

实际上传递了哪些参数：

<-SNIP->

    # find out what is being passed to your function:
    def predict(self, *args, **kwargs):
        for value in [*args]:
            print(value)
        for key in kwargs:
            print(key, kwargs[key])

<-SNIP->

一旦您知道要发送的内容，您就可以根据自己的喜好重新排列输入。例如，如果您发现

json_input

是

arg[0]

，您可以这样定义：

<-SNIP->

    def predict(self, my_value, event_value):

<-SNIP->