Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.
Registre SageMaker modelos automáticamente con SageMaker Model Registry
Puede registrar los modelos de MLflow y registrarlos automáticamente en SageMaker Model Registry mediante el SDK de Python o directamente a través de la interfaz de usuario de MLflow.
nota
No utilice espacios en el nombre de un modelo. Mientras que MLflow admite nombres de modelos con espacios, SageMaker Model Package no lo hace. El proceso de registro automático produce un error si utiliza espacios en el nombre del modelo.
Registre modelos con el SDK de SageMaker Python
Úselo create_registered_model
en su cliente de MLflow para crear automáticamente un grupo de paquetes de modelos SageMaker que corresponda a un modelo de MLflow existente de su elección.
import mlflow from mlflow import MlflowClient mlflow.set_tracking_uri(
arn
) client = MlflowClient() mlflow_model_name ='AutoRegisteredModel'
client.create_registered_model(mlflow_model_name, tags={"key1"
:"value1"
})
Se utiliza mlflow.register_model()
para registrar automáticamente un modelo en el registro de modelos durante el SageMaker entrenamiento con el modelo. Al registrar el modelo MLflow, se crean el grupo de paquetes de modelos y la versión del paquete de modelos correspondientes. SageMaker
import mlflow.sklearn from mlflow.models import infer_signature from sklearn.datasets import make_regression from sklearn.ensemble import RandomForestRegressor mlflow.set_tracking_uri(arn) params = {"n_estimators": 3, "random_state": 42} X, y = make_regression(n_features=4, n_informative=2, random_state=0, shuffle=False) # Log MLflow entities with mlflow.start_run() as run: rfr = RandomForestRegressor(**params).fit(X, y) signature = infer_signature(X, rfr.predict(X)) mlflow.log_params(params) mlflow.sklearn.log_model(rfr, artifact_path="sklearn-model", signature=signature) model_uri = f"runs:/{run.info.run_id}/sklearn-model" mv = mlflow.register_model(model_uri, "RandomForestRegressionModel") print(f"Name: {mv.name}") print(f"Version: {mv.version}")
Registre los modelos mediante la interfaz de usuario de MLflow
También puede registrar un modelo en el registro de modelos directamente en la SageMaker interfaz de usuario de MLflow. En el menú Modelos de la interfaz de usuario de MLflow, seleccione Crear modelo. Todos los modelos recién creados de esta manera se añaden al registro de SageMaker modelos.
![Creación del registro de modelos dentro de la interfaz de usuario de MLflow.](images/mlflow/mlflow-ui-register-model.png)
Después de registrar un modelo durante el seguimiento del experimento, navegue hasta la página de ejecución en la interfaz de usuario de MLflow. Seleccione el panel de artefactos y elija Registrar modelo en la esquina superior derecha para registrar la versión del modelo tanto en MLflow como en SageMaker Model Registry.
![Creación de registros de modelos dentro de la interfaz de usuario de MLflow.](images/mlflow/mlflow-ui-register-model-2.png)
Vea los modelos registrados en Studio
En la página de inicio de SageMaker Studio, selecciona Modelos en el panel de navegación izquierdo para ver los modelos registrados. Para obtener más información sobre cómo empezar a usar Studio, consulte Launch Amazon SageMaker Studio.
![Modelos de MLflow registrados en SageMaker Model Registry en la interfaz de usuario de Studio.](images/mlflow/mlflow-studio-model-registry.png)