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.
La pagina seguente descrive come iniziare a usare l' MLflow SDK e il AWS MLflow plugin all'interno del tuo ambiente di sviluppo. Ciò può includere un ambiente locale IDEs o Jupyter Notebook all'interno di Studio o Studio Classic.
Amazon SageMaker AI utilizza un MLflow plug-in per personalizzare il comportamento del client MLflow Python e integrare AWS gli strumenti. Il AWS MLflow plug-in autentica le chiamate API effettuate MLflow utilizzando AWS la versione 4 di Signature. Il AWS MLflow plugin ti consente di connetterti al tuo server di MLflow tracciamento utilizzando il server di tracciamento ARN. Per ulteriori informazioni sui plugin, consulta MLflow Plugin nella documentazione
Importante
Le autorizzazioni utente IAM all'interno del tuo ambiente di sviluppo devono avere accesso a tutte le azioni MLflow API pertinenti per eseguire correttamente gli esempi forniti. Per ulteriori informazioni, consulta Configura le autorizzazioni IAM per MLflow.
Per ulteriori informazioni sull'utilizzo dell' MLflow SDK, consulta l'API Python
Installazione MLflow e plugin AWS MLflow
Nel tuo ambiente di sviluppo, installa entrambi MLflow e il AWS MLflow plugin.
Nota
Per vedere quali versioni di MLflow sono disponibili per l'uso con l' SageMaker intelligenza artificiale, consultaVersioni del server di tracciamento.
pip install mlflow==2.13.2sagemaker-mlflow==0.1.0
Connect al server MLflow di tracciamento
Utilizzalo mlflow.set_tracking_uri per connetterti a un server di tracciamento dal tuo ambiente di sviluppo utilizzando il relativo ARN:
import mlflow arn ="YOUR-TRACKING-SERVER-ARN"mlflow.set_tracking_uri(arn)
