As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.
Monitore experimentos com o MLflow
A Amazon SageMaker usa um plug-in MLFlow para personalizar o comportamento do cliente MLflow Python e integrar ferramentas. AWS O plug-in AWS MLflow autentica as chamadas de API feitas com o MLflow usando o AWS Signature Version 4. O plug-in AWS MLflow permite que você se conecte ao seu servidor de rastreamento MLflow usando o ARN do servidor de rastreamento. Para obter mais informações sobre plug-ins, consulte Plugins do MLflow
Comece com o MLflow SDK e o plug-in AWS MLflow em seu ambiente de desenvolvimento. Isso pode incluir IDEs locais ou um ambiente Jupyter Notebook no Studio ou no Studio Classic.
Importante
Suas permissões de IAM de usuário em seu ambiente de desenvolvimento devem ter acesso a todas as ações relevantes da API MLflow para executar com sucesso os exemplos fornecidos. Para ter mais informações, consulte Configurar permissões do IAM para MLflow.
Para obter mais informações sobre como usar o SDK do MLflow, consulte a API do Python
Instale o MLflow e o plug-in AWS MLflow
Em seu ambiente de desenvolvimento, instale o MLflow e o plug-in AWS MLflow.
nota
Para ver quais versões do MLflow estão disponíveis para uso SageMaker, consulteRastreando versões do servidor.
pip install mlflow==
2.13.2
sagemaker-mlflow==0.1.0
Conecte-se ao seu servidor de rastreamento MLflow
Use mlflow.set_tracking_uri
para se conectar a um servidor de rastreamento a partir do seu ambiente de desenvolvimento usando seu ARN:
import mlflow arn =
"YOUR-TRACKING-SERVER-ARN"
mlflow.set_tracking_uri(arn
)