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.
En la siguiente página, se describe cómo empezar a utilizar el MLflow SDK y el AWS MLflow complemento en su entorno de desarrollo. Esto puede incluir un entorno local IDEs o un entorno de Jupyter Notebook en Studio o Studio Classic.
Amazon SageMaker AI utiliza un MLflow complemento para personalizar el comportamiento del cliente MLflow Python e integrar las AWS herramientas. El AWS MLflow complemento autentica las llamadas a la API realizadas MLflow con la versión 4 de AWS Signature. El AWS MLflow complemento le permite conectarse a su servidor MLflow de seguimiento mediante el ARN del servidor de seguimiento. Para obtener más información sobre los complementos, consulte MLflow los complementos
importante
Sus permisos de IAM de usuario en su entorno de desarrollo deben tener acceso a todas las acciones de MLflow API relevantes para ejecutar correctamente los ejemplos proporcionados. Para obtener más información, consulte Configure los permisos de IAM para MLflow.
Para obtener más información sobre el uso del MLflow SDK, consulte la API de Python
La instalación MLflow y el AWS MLflow complemento
En tu entorno de desarrollo, instala MLflow tanto el AWS MLflow plugin como el mismo.
nota
Para ver qué versiones de MLflow están disponibles para su uso con SageMaker IA, consulteVersiones del servidor de seguimiento.
pip install mlflow==2.13.2sagemaker-mlflow==0.1.0
Conéctese a su servidor MLflow de seguimiento
Utilice mlflow.set_tracking_uri para conectarse al servidor de seguimiento desde el entorno de desarrollo mediante su ARN:
import mlflow arn ="YOUR-TRACKING-SERVER-ARN"mlflow.set_tracking_uri(arn)
