Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
Tutorial berikut menunjukkan cara mengintegrasikan MLflow eksperimen ke dalam alur kerja pelatihan Anda. Untuk membersihkan sumber daya yang dibuat oleh tutorial notebook, lihatBersihkan MLflow sumber daya.
Anda dapat menjalankan notebook contoh SageMaker AI menggunakan JupyterLab di Studio. Untuk informasi selengkapnya tentang JupyterLab, lihat JupyterLab panduan pengguna.
Jelajahi contoh notebook berikut:
-
SageMaker Pelatihan dengan MLflow
— Latih dan daftarkan model Scikit-Learn menggunakan SageMaker AI dalam mode skrip. Pelajari cara mengintegrasikan MLflow eksperimen ke dalam skrip pelatihan Anda. Untuk informasi lebih lanjut tentang pelatihan model, lihat Melatih Model dengan Amazon SageMaker AI. -
SageMaker AI HPO dengan MLflow
- Pelajari cara melacak eksperimen MLmu MLflow dengan Amazon SageMaker AI automatic model tuning (AMT) dan AI SageMaker Python SDK. Setiap iterasi pelatihan dicatat sebagai proses dalam eksperimen yang sama. Untuk informasi selengkapnya tentang optimasi hyperparameter (HPO), lihat Melakukan Penyetelan Model Otomatis dengan Amazon AI. SageMaker -
SageMaker Pipa dengan MLflow
— Gunakan SageMaker Pipa Amazon dan MLflow untuk melatih, mengevaluasi, dan mendaftarkan model. Notebook ini menggunakan @stepdekorator untuk membangun Pipeline SageMaker AI. Untuk informasi selengkapnya tentang pipeline dan@stepdekorator, lihat Membuat pipeline dengan fungsi@step-decorated. -
Menerapkan MLflow Model ke SageMaker AI
— Latih model pohon keputusan menggunakan SciKit -Learn. Kemudian, gunakan Amazon SageMaker AI ModelBuilderuntuk menyebarkan model ke titik akhir SageMaker AI dan menjalankan inferensi menggunakan model yang diterapkan. Untuk informasi selengkapnya tentangModelBuilder, lihat Menyebarkan MLflow model dengan ModelBuilder.
