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.
Suivez les expériences avec MLflow
Amazon SageMaker utilise un plugin MLflow pour personnaliser le comportement du client MLflow Python et intégrer AWS des outils. Le plugin AWS MLflow authentifie les appels d'API effectués avec MLflow à l'aide de AWS Signature Version 4. Le plugin AWS MLflow vous permet de vous connecter à votre serveur de suivi MLflow à l'aide de l'ARN du serveur de suivi. Pour plus d'informations sur les plug-ins, consultez la section Plugins MLflow
Commencez avec le SDK MLflow et le plugin AWS MLflow au sein de votre environnement de développement. Cela peut inclure des IDE locaux ou un environnement Jupyter Notebook dans Studio ou Studio Classic.
Important
Vos autorisations utilisateur IAM au sein de votre environnement de développement doivent avoir accès à toutes les actions d'API MLflow pertinentes pour exécuter correctement les exemples fournis. Pour plus d’informations, consultez Configuration des autorisations IAM pour MLflow.
Pour plus d'informations sur l'utilisation du SDK MLflow, consultez l'API Python
Installez MLflow et le plugin AWS MLflow
Dans votre environnement de développement, installez MLflow et le plugin AWS MLflow.
Note
Pour savoir quelles versions de MLflow peuvent être utilisées avec SageMaker, voirVersions du serveur de suivi.
pip install mlflow==
2.13.2
sagemaker-mlflow==0.1.0
Connectez-vous à votre serveur de suivi MLflow
mlflow.set_tracking_uri
À 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
)