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.
MLflow Tutorials mit Beispiel-Jupyter-Notebooks
Die folgenden Tutorials zeigen, wie Sie MLflow Experimente in Ihre Trainingsabläufe integrieren können. Informationen zum Bereinigen von Ressourcen, die in einem Notizbuch-Tutorial erstellt wurden, finden Sie unter MLflow Ressourcen bereinigen.
Sie können SageMaker KI-Beispiel-Notebooks JupyterLab in Studio ausführen. Weitere Informationen zu JupyterLab finden Sie unter JupyterLab benutzerhandbuch.
Sehen Sie sich die folgenden Beispiel-Notizbücher an:
-
SageMaker Training mit MLflow
— Trainieren und registrieren Sie ein Scikit-Learn-Modell mithilfe von SageMaker KI im Skriptmodus. Erfahren Sie, wie Sie MLflow Experimente in Ihr Trainingsskript integrieren können. Weitere Informationen zum Modelltraining finden Sie unter Train a Model with Amazon SageMaker AI. -
SageMaker KI HPO mit MLflow
— Erfahren Sie, wie Sie Ihr ML-Experiment MLflow mit Amazon SageMaker AI Automatic Model Tuning (AMT) und KI verfolgen können SageMaker Python SDK. Jede Trainingsiteration wird als Lauf innerhalb desselben Experiments protokolliert. Weitere Informationen zur Hyperparameter-Optimierung (HPO) finden Sie unter Durchführen einer automatischen Modelloptimierung mit Amazon SageMaker AI. -
SageMaker Pipelines mit MLflow
— Verwenden Sie Amazon SageMaker Pipelines und MLflow um ein Modell zu trainieren, zu bewerten und zu registrieren. Dieses Notizbuch verwendet den @step
Decorator, um eine SageMaker KI-Pipeline zu erstellen. Weitere Informationen zu Pipelines und dem@step
Decorator finden Sie unter Erstellen einer Pipeline mit mit@step
-dekorierten Funktionen. -
Ein MLflow Modell für SageMaker KI bereitstellen
— Trainieren Sie ein Entscheidungsbaummodell mit -Learn. SciKit Verwenden Sie dann Amazon SageMaker AI, ModelBuilder
um das Modell auf einem SageMaker KI-Endpunkt bereitzustellen und Inferenzen mithilfe des bereitgestellten Modells auszuführen. Mehr überModelBuilder
erfahren Sie unter Stellen Sie MLflow Modelle bereit mit ModelBuilder.