Sélectionner vos préférences de cookies

Nous utilisons des cookies essentiels et des outils similaires qui sont nécessaires au fonctionnement de notre site et à la fourniture de nos services. Nous utilisons des cookies de performance pour collecter des statistiques anonymes afin de comprendre comment les clients utilisent notre site et d’apporter des améliorations. Les cookies essentiels ne peuvent pas être désactivés, mais vous pouvez cliquer sur « Personnaliser » ou « Refuser » pour refuser les cookies de performance.

Si vous êtes d’accord, AWS et les tiers approuvés utiliseront également des cookies pour fournir des fonctionnalités utiles au site, mémoriser vos préférences et afficher du contenu pertinent, y compris des publicités pertinentes. Pour accepter ou refuser tous les cookies non essentiels, cliquez sur « Accepter » ou « Refuser ». Pour effectuer des choix plus détaillés, cliquez sur « Personnaliser ».

Intégrez MLflow à votre environnement

Mode de mise au point
Intégrez MLflow à votre environnement - Amazon SageMaker AI

Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.

Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.

La page suivante explique comment démarrer avec le MLflow SDK et le AWS MLflow plugin dans votre environnement de développement. Cela peut inclure un environnement local IDEs ou Jupyter Notebook dans Studio ou Studio Classic.

Amazon SageMaker AI utilise un MLflow plugin pour personnaliser le comportement du client MLflow Python et intégrer des AWS outils. Le AWS MLflow plugin authentifie les appels d'API effectués à MLflow l'aide de AWS Signature Version 4. Le AWS MLflow plugin vous permet de vous connecter à votre serveur de MLflow suivi à l'aide de l'ARN du serveur de suivi. Pour plus d'informations sur les plug-ins, consultez la section MLflow Plugins dans la MLflow documentation.

Important

Vos autorisations utilisateur IAM au sein de votre environnement de développement doivent avoir accès à toutes les actions d' MLflow API pertinentes pour exécuter correctement les exemples fournis. Pour de plus amples informations, veuillez consulter Configurer les autorisations IAM pour MLflow.

Pour plus d'informations sur l'utilisation du MLflow SDK, consultez l'API Python dans la MLflow documentation.

L'installation MLflow et le AWS MLflow plugin

Dans votre environnement de développement, installez les deux MLflow ainsi que le AWS MLflow plugin.

Note

Pour savoir quelles versions de MLflow peuvent être utilisées avec l' SageMaker IA, consultezVersions du serveur de suivi.

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

Connectez-vous à votre serveur MLflow de suivi

mlflow.set_tracking_uriÀ utiliser pour vous connecter à votre serveur de suivi depuis votre environnement de développement à l'aide de son ARN :

import mlflow arn = "YOUR-TRACKING-SERVER-ARN" mlflow.set_tracking_uri(arn)
ConfidentialitéConditions d'utilisation du sitePréférences de cookies
© 2025, Amazon Web Services, Inc. ou ses affiliés. Tous droits réservés.