Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

Registrieren Sie SageMaker Modelle automatisch bei SageMaker Model Registry

Sie können MLflow Modelle protokollieren und sie mithilfe von Python SDK oder direkt über die MLflow Benutzeroberfläche automatisch bei SageMaker Model Registry registrieren.

Registrieren Sie Modelle mit SageMaker Python SDK

Verwenden Sie es create_registered_model in Ihrem MLflow Client, um automatisch eine Modellpaketgruppe zu erstellen SageMaker , die einem vorhandenen MLflow Modell Ihrer Wahl entspricht.

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"})

Wird verwendetmlflow.register_model(), um ein Modell während des Modelltrainings automatisch in der SageMaker Model Registry zu registrieren. Bei der Registrierung des MLflow Modells werden eine entsprechende Modellpaketgruppe und eine Modellpaketversion in erstellt 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}")

Registrieren Sie Modelle mithilfe der MLflow Benutzeroberfläche

Sie können ein Modell alternativ direkt in der MLflow Benutzeroberfläche bei der SageMaker Model Registry registrieren. Wählen Sie im Menü Modelle der MLflow Benutzeroberfläche die Option Modell erstellen aus. Alle auf diese Weise neu erstellten Modelle werden der SageMaker Modellregistrierung hinzugefügt.

Nachdem Sie ein Modell während der Versuchsverfolgung protokolliert haben, navigieren Sie zur Ausführungsseite in der MLflow Benutzeroberfläche. Wählen Sie den Bereich Artefakte und klicken Sie in der oberen rechten Ecke auf Modell registrieren, um die Modellversion sowohl in der Modellregistrierung als auch MLflow in der SageMaker Modellregistrierung zu registrieren.

Registrierte Modelle in Studio anzeigen

Wählen Sie auf der SageMaker Studio-Landingpage im linken Navigationsbereich Models aus, um Ihre registrierten Models anzuzeigen. Weitere Informationen zu den ersten Schritten mit Studio finden Sie unter Amazon SageMaker Studio starten.