Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
penting
Pelacakan SageMaker eksperimen menggunakan SDK Python Eksperimen hanya tersedia di Studio Classic. Kami merekomendasikan untuk menggunakan pengalaman Studio baru dan membuat eksperimen menggunakan integrasi SageMaker AI terbaru dengan MLflow. Tidak ada integrasi MLflow UI dengan Studio Classic. Jika Anda ingin menggunakan MLflow dengan Studio, Anda harus meluncurkan MLflow UI menggunakan AWS CLI. Untuk informasi selengkapnya, lihat Luncurkan MLflow UI menggunakan AWS CLI.
Amazon SageMaker Experiments Classic adalah kemampuan Amazon SageMaker AI yang memungkinkan Anda membuat, mengelola, menganalisis, dan membandingkan eksperimen pembelajaran mesin Anda di Studio Classic. Gunakan SageMaker Eksperimen untuk melihat, mengelola, menganalisis, dan membandingkan kedua eksperimen khusus yang Anda buat secara terprogram dan eksperimen yang dibuat secara otomatis dari pekerjaan SageMaker AI.
Experiments Classic secara otomatis melacak input, parameter, konfigurasi, dan hasil iterasi Anda saat berjalan. Anda dapat menetapkan, mengelompokkan, dan mengatur proses ini ke dalam eksperimen. SageMaker Eksperimen terintegrasi dengan Amazon SageMaker Studio Classic, menyediakan antarmuka visual untuk menelusuri eksperimen aktif dan sebelumnya, membandingkan proses pada metrik kinerja utama, dan mengidentifikasi model berkinerja terbaik. SageMaker Eksperimen melacak semua langkah dan artefak yang digunakan untuk membuat model, dan Anda dapat dengan cepat meninjau kembali asal model saat Anda memecahkan masalah dalam produksi, atau mengaudit model Anda untuk verifikasi kepatuhan.
Bermigrasi dari Eksperimen Klasik ke Amazon SageMaker AI dengan MLflow
Eksperimen sebelumnya yang dibuat menggunakan Eksperimen Klasik masih tersedia untuk dilihat di Studio Classic. Jika Anda ingin mempertahankan dan menggunakan kode eksperimen sebelumnya MLflow, Anda harus memperbarui kode pelatihan untuk menggunakan MLflow SDK dan menjalankan eksperimen pelatihan lagi. Untuk informasi lebih lanjut tentang memulai dengan MLflow SDK dan AWS MLflow plugin, lihatIntegrasikan MLflow dengan lingkungan Anda.
