Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.

Registra automaticamente i SageMaker modelli con Model Registry SageMaker

È possibile registrare MLflow i modelli e registrarli automaticamente con SageMaker Model Registry utilizzando Python SDK o direttamente tramite l'MLflowinterfaccia utente.

Registra modelli usando SageMaker Python SDK

create_registered_modelUtilizzatelo all'interno MLflow del vostro client per creare automaticamente un gruppo di pacchetti di modelli SageMaker che corrisponda a un MLflow modello esistente di vostra scelta.

import mlflow 
from mlflow import MlflowClient

mlflow.set_tracking_uri(arn)

client = MlflowClient()

mlflow_model_name = 'AutoRegisteredModel'
client.create_registered_model(mlflow_model_name, tags={"key1": "value1"})

mlflow.register_model()Utilizzatelo per registrare automaticamente un modello nel Model SageMaker Registry durante l'addestramento del modello. Quando si registra il MLflow modello, vengono creati un gruppo di pacchetti di modelli e una versione del pacchetto modelli corrispondenti. SageMaker

import mlflow.sklearn
from mlflow.models import infer_signature
from sklearn.datasets import make_regression
from sklearn.ensemble import RandomForestRegressor

mlflow.set_tracking_uri(arn)
params = {"n_estimators": 3, "random_state": 42}
X, y = make_regression(n_features=4, n_informative=2, random_state=0, shuffle=False)

# Log MLflow entities
with mlflow.start_run() as run:
    rfr = RandomForestRegressor(**params).fit(X, y)
    signature = infer_signature(X, rfr.predict(X))
    mlflow.log_params(params)
    mlflow.sklearn.log_model(rfr, artifact_path="sklearn-model", signature=signature)

model_uri = f"runs:/{run.info.run_id}/sklearn-model"
mv = mlflow.register_model(model_uri, "RandomForestRegressionModel")

print(f"Name: {mv.name}")
print(f"Version: {mv.version}")

Registra i modelli utilizzando l'MLflowinterfaccia utente

In alternativa, puoi registrare un modello con il SageMaker Model Registry direttamente nell'MLflowinterfaccia utente. Nel menu Modelli dell'MLflowinterfaccia utente, scegli Crea modello. Tutti i modelli appena creati in questo modo vengono aggiunti al Registro dei SageMaker modelli.

Dopo aver registrato un modello durante il tracciamento dell'esperimento, vai alla pagina di esecuzione nell'MLflowinterfaccia utente. Scegliete il riquadro Artifacts e scegliete Registra modello nell'angolo in alto a destra per registrare la versione del modello sia in Model Registry che MLflow in Model Registry. SageMaker

Visualizza i modelli registrati in Studio

Nella pagina iniziale di SageMaker Studio, scegli Modelli nel riquadro di navigazione a sinistra per visualizzare i modelli registrati. Per ulteriori informazioni su come iniziare a usare Studio, consulta Launch Amazon SageMaker Studio.