Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
Nettoyez les ressources de MLflow
Nous vous recommandons de supprimer toutes les ressources lorsque vous n'en avez plus besoin. Vous pouvez supprimer des serveurs de suivi via Amazon SageMaker Studio ou à l'aide du AWS CLI. Vous pouvez supprimer des ressources supplémentaires telles que les compartiments Amazon S3, les rôles IAM et les politiques IAM à l'aide de AWS CLI ou directement dans la console. AWS
Supprimer les serveurs de suivi
Vous pouvez supprimer un serveur de suivi dans Studio ou à l'aide du AWS CLI.
Supprimer un serveur de suivi à l'aide de Studio
Pour supprimer un serveur de suivi dans Studio, procédez comme suit :
-
Accédez à Studio.
-
Choisissez MLflow dans le volet Applications de l'interface utilisateur de Studio.
-
Trouvez le serveur de suivi de votre choix dans le volet Serveurs de suivi MLflow. Choisissez l'icône du menu vertical dans le coin droit du volet du serveur de suivi. Ensuite, choisissez Supprimer.
-
Choisissez Supprimer pour confirmer la suppression.
![L'option de suppression sur une carte de serveur de suivi dans le volet Serveurs de suivi MLflow de l'interface utilisateur de Studio.](images/mlflow/mlflow-studio-delete.png)
Supprimez un serveur de suivi à l'aide du AWS CLI
Utilisez l'DeleteMLflowTrackingServer
API pour supprimer tous les serveurs de suivi que vous avez créés. Cela peut prendre un certain temps.
aws sagemaker delete-mlflow-tracking-server \ --tracking-server-name
$ts_name
\ --region$region
Pour consulter l'état de votre serveur de suivi, utilisez l'DescribeMLflowTrackingServer
API et vérifiez leTrackingServerStatus
.
aws sagemaker describe-mlflow-tracking-server \ --tracking-server-name
$ts_name
\ --region$region
Supprimer les compartiments Amazon S3
Supprimez tout compartiment Amazon S3 utilisé comme magasin d'artefacts pour votre serveur de suivi à l'aide des commandes suivantes :
aws s3 rm s3://$bucket_name --recursive aws s3 rb s3://$bucket_name
Vous pouvez également supprimer un compartiment Amazon S3 associé à votre serveur de suivi directement dans la AWS console. Pour plus d'informations, consultez Supprimer un compartiment dans le guide de l'utilisateur Amazon S3.
Supprimer les modèles enregistrés
Vous pouvez supprimer tous les groupes de modèles et toutes les versions de modèles créés avec MLflow directement dans Studio. Pour plus d'informations, voir Supprimer un groupe de modèles et Supprimer une version de modèle.
Supprimer des expériences ou des essais
Vous pouvez utiliser le SDK MLflow pour supprimer des expériences ou des essais.