Intégrez MLflow à votre environnement - Amazon SageMaker

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.

Intégrez MLflow à votre environnement

La page suivante décrit comment démarrer avec le plugin 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 utilise un MLflow plugin pour personnaliser le comportement du client MLflow Python et intégrer des AWS outils. Le AWS MLflow plugin authentifie les API appels passés à MLflow l'aide de AWS la version 4 de Signature. Le AWS MLflow plugin vous permet de vous connecter à votre serveur MLflow de suivi à l'aide du serveur de suiviARN. Pour plus d'informations sur les plug-ins, consultez la section MLflowPlugins dans la MLflow documentation.

Important

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

Pour plus d'informations sur l'utilisation de MLflowSDK, consultez Python API 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 SageMaker, voirVersions 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 ARN :

import mlflow arn = "YOUR-TRACKING-SERVER-ARN" mlflow.set_tracking_uri(arn)