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.
MLflowtutorial che utilizzano notebook Jupyter di esempio
I seguenti tutorial mostrano come integrare gli MLflow esperimenti nei flussi di lavoro di formazione. Per ripulire le risorse create da un tutorial per notebook, consulta. Pulizia delle risorse MLflow
È possibile eseguire taccuini di SageMaker esempio utilizzando JupyterLab in Studio. Per ulteriori informazioni su JupyterLab, vedere. JupyterLab guida per l'utente
Esplora i seguenti taccuini di esempio:
-
SageMaker Formazione con MLflow
: addestra e registra un modello Scikit-Learn utilizzando la modalità script. SageMaker Scopri come integrare gli MLflow esperimenti nel tuo script di addestramento. Per ulteriori informazioni sulla formazione dei modelli, consulta Train a Model with Amazon SageMaker. -
SageMaker HPOcon MLflow
— Scopri come monitorare il tuo esperimento di machine learning MLflow con Amazon SageMaker automatic model tuning (AMT) e il SageMaker Python SDK. Ogni iterazione di allenamento viene registrata come esecuzione all'interno dello stesso esperimento. Per ulteriori informazioni sull'ottimizzazione degli iperparametri (HPO), consulta Perform Automatic Model Tuning with Amazon. SageMaker -
SageMaker Pipelines con MLflow
: usa Amazon SageMaker Pipelines MLflow per addestrare, valutare e registrare un modello. Questo taccuino utilizza il @stepdecoratore per creare una pipeline. SageMaker Per ulteriori informazioni sulle pipeline e sul@stepdecoratore, consulta Creare una pipeline con funzioni -decorate.@step -
Distribuisci un MLflow modello su: addestra un modello di SageMaker
albero decisionale utilizzando -Learn. SciKit Quindi, usa Amazon SageMaker ModelBuilderper distribuire il modello su un SageMaker endpoint ed eseguire l'inferenza utilizzando il modello distribuito. Per ulteriori informazioni suModelBuilder, consulta Distribuisci MLflow modelli con ModelBuilder.
