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.

Integrieren von MLflow in Ihre Umgebung

Auf der folgenden Seite werden die ersten Schritte mit dem MLflow SDK und dem AWS MLflow-Plugin in Ihrer Entwicklungsumgebung beschrieben. Dabei kann es sich um lokale IDEs oder eine Jupyter-Notebook-Umgebung in Studio oder Studio Classic handeln.

Amazon SageMaker AI verwendet ein MLflow-Plugin, um das Verhalten des MLflow-Python-Clients anzupassen und Tools zu integrieren. AWS Das AWS MLflow-Plugin authentifiziert API-Aufrufe, die mit MLflow unter Verwendung von Signature Version 4 getätigt wurden. AWS Das AWS MLflow-Plugin ermöglicht es Ihnen, mithilfe des Tracking-Server-ARN eine Verbindung zu Ihrem MLflow-Tracking-Server herzustellen. Weitere Informationen zu Plugins finden Sie unter AWS -MLflow-Plugin und MLflow-Plugins.

Weitere Informationen dazu, wie Sie das MLflow SDK verwenden können, finden Sie in der MLflow-Dokumentation unter Python API.

Installieren Sie MLflow und AWS MLFlow-Plugin

Installieren Sie in Ihrer Entwicklungsumgebung sowohl MLflow als auch das AWS MLflow-Plugin.

pip install sagemaker-mlflow

Um die Kompatibilität zwischen Ihrem MLflow-Client und dem Tracking-Server sicherzustellen, verwenden Sie je nach Version Ihres Tracking-Servers die entsprechende MLflow-Version:

Um zu erfahren, welche Versionen von MLflow für die Verwendung mit SageMaker KI verfügbar sind, siehe. Tracking-Server-Versionen

Verbindungsherstellung zu Ihrem MLflow-Tracking-Server

Verwenden Sie mlflow.set_tracking_uri, um von Ihrer Entwicklungsumgebung aus über den ARN eine Verbindung zu Ihrem Tracking-Server herzustellen:

import mlflow

arn = "YOUR-TRACKING-SERVER-ARN"

mlflow.set_tracking_uri(arn)