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.
Sie können MLflow Modelle protokollieren und sie automatisch mit dem Python-SDK oder direkt über die MLflow Benutzeroberfläche bei SageMaker Model Registry registrieren.
Anmerkung
Verwenden Sie keine Leerzeichen in einem Modellnamen. MLflow Unterstützt zwar Modellnamen mit Leerzeichen, SageMaker AI Model Package jedoch nicht. Die automatische Registrierung schlägt fehl, wenn Sie Leerzeichen in Ihrem Modellnamen verwenden.
Registrieren Sie Modelle mit dem SageMaker Python-SDK
Verwenden Sie es create_registered_model in Ihrem MLflow Client, um automatisch eine Modellpaketgruppe in SageMaker AI zu erstellen, 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 bei der SageMaker Model Registry zu registrieren. Bei der Registrierung des MLflow Modells werden eine entsprechende Modellpaketgruppe und eine Modellpaketversion in SageMaker AI erstellt.
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 über die 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.
