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.

Intégrelo MLflow con su entorno

En la siguiente página, se describe cómo empezar a utilizar el AWS MLflow complemento MLflow SDK y el mismo 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 usa un MLflow complemento para personalizar el comportamiento del cliente MLflow Python e integrar las AWS herramientas. El AWS MLflow complemento autentica las API llamadas realizadas MLflow con la versión 4 de AWS Signature. El AWS MLflow complemento le permite conectarse a su servidor MLflow de seguimiento mediante el servidor ARN de seguimiento. Para obtener más información sobre los complementos, consulte MLflowlos complementos en la MLflow documentación.

Para obtener más información sobre el uso de MLflowSDK, consulte Python API en la MLflow documentación.

La instalación MLflow y el AWS MLflow complemento

En tu entorno de desarrollo, instala MLflow tanto el AWS MLflow plugin como el mismo.

pip install mlflow==2.13.2 sagemaker-mlflow==0.1.0 

Conéctese a su servidor MLflow de seguimiento

mlflow.set_tracking_uriUtilícelo para conectarse a su servidor de seguimiento desde su entorno de desarrollo medianteARN:

import mlflow

arn = "YOUR-TRACKING-SERVER-ARN"

mlflow.set_tracking_uri(arn)