Registre SageMaker modelos automáticamente con SageMaker Model Registry - Amazon SageMaker
Registrar modelos usando SageMaker Python SDKRegistre los modelos mediante la MLflow interfaz de usuarioVea los modelos registrados en Studio

Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.

Registre SageMaker modelos automáticamente con SageMaker Model Registry

Puede registrar MLflow modelos y registrarlos automáticamente en SageMaker Model Registry mediante Python SDK o directamente a través de la MLflow interfaz de usuario.

nota

No utilice espacios en el nombre de un modelo. Si bien MLflow admite nombres de modelos con espacios, SageMaker Model Package no lo hace. El proceso de registro automático produce un error si utiliza espacios en el nombre del modelo.

Registrar modelos usando SageMaker Python SDK

Úselo create_registered_model en su MLflow cliente para crear automáticamente un grupo de paquetes de modelos SageMaker que corresponda a un MLflow modelo existente de su elección.

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"})

Se utiliza mlflow.register_model() para registrar automáticamente un modelo en el Registro de SageMaker Modelos durante el entrenamiento con el modelo. Al registrar el MLflow modelo, se crean el grupo de paquetes de modelos y la versión del paquete de modelos correspondientes 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}")

Registre los modelos mediante la MLflow interfaz de usuario

También puede registrar un modelo en el registro de SageMaker modelos directamente en la MLflow interfaz de usuario. En el menú Modelos de la MLflow interfaz de usuario, seleccione Crear modelo. Todos los modelos recién creados de esta manera se añaden al registro de SageMaker modelos.

Creación del registro de modelos dentro de la MLflow interfaz de usuario.

Tras registrar un modelo durante el seguimiento del experimento, navegue hasta la página de ejecución de la MLflow interfaz de usuario. Seleccione el panel Artefactos y elija Registrar modelo en la esquina superior derecha para registrar la versión del modelo tanto en el Registro de modelos como MLflow en el Registro de SageMaker modelos.

Creación del registro de modelos dentro de la MLflow interfaz de usuario.

Vea los modelos registrados en Studio

En la página de inicio de SageMaker Studio, selecciona Modelos en el panel de navegación izquierdo para ver los modelos registrados. Para obtener más información sobre cómo empezar a usar Studio, consulte Launch Amazon SageMaker Studio.

MLflowmodelos registrados en SageMaker Model Registry en la interfaz de usuario de Studio.