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.
Realice un seguimiento de los experimentos con MLflow
Amazon SageMaker usa un complemento MLflow para personalizar el comportamiento del cliente Python MLflow e integrar AWS las herramientas. El complemento AWS MLflow autentica las llamadas a la API realizadas con MLflow mediante la versión 4 de Signature.AWS El complemento AWS MLflow le permite conectarse a su servidor de seguimiento MLflow mediante el ARN del servidor de seguimiento. Para obtener más información sobre los complementos, consulte los complementos de MLflow en la documentación de MLflow
Comience con el SDK de MLFlow y el complemento de AWS MLflow en su entorno de desarrollo. Esto puede incluir IDE locales o un entorno de Jupyter Notebook en Studio o Studio Classic.
importante
Sus permisos de IAM de usuario en su entorno de desarrollo deben tener acceso a cualquier acción relevante de la API de MLflow para ejecutar correctamente los ejemplos proporcionados. Para obtener más información, consulte Configure los permisos de IAM para MLflow.
Para obtener más información sobre el uso del SDK de MLflow, consulte la API de Python
Instale MLFlow y el complemento MLflow AWS
En su entorno de desarrollo, instale MLflow y el AWS complemento MLflow.
nota
Para ver qué versiones de MLflow están disponibles para su uso, consulte. SageMaker Versiones del servidor de seguimiento
pip install mlflow==
2.13.2
sagemaker-mlflow==0.1.0
Conéctese a su servidor de seguimiento MLflow
Úselo mlflow.set_tracking_uri
para conectarse a su servidor de seguimiento desde su entorno de desarrollo mediante su ARN:
import mlflow arn =
"YOUR-TRACKING-SERVER-ARN"
mlflow.set_tracking_uri(arn
)