기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.

SageMaker 모델 레지스트리에 SageMaker 모델 자동 등록

Python을 사용하거나 MLflow UI를 통해 SDK 직접 MLflow 모델을 로깅하고 SageMaker 모델 레지스트리에 자동으로 등록할 수 있습니다.

SageMaker Python을 사용하여 모델 등록 SDK

MLflow 클라이언트 create_registered_model 내에서 를 사용하여 선택한 기존 모델에 SageMaker 해당하는 의 MLflow 모델 패키지 그룹을 자동으로 생성합니다.

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"})

모델 훈련 중에 모델 SageMaker 레지스트리에 모델을 자동으로 등록mlflow.register_model()하는 데 사용합니다. MLflow 모델을 등록할 때 해당 모델 패키지 그룹 및 모델 패키지 버전이 에 생성됩니다 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}")

MLflow UI를 사용하여 모델 등록

또는 MLflow UI에서 직접 SageMaker 모델 레지스트리에 모델을 등록할 수 있습니다. MLflow UI의 모델 메뉴에서 모델 생성을 선택합니다. 이러한 방식으로 새로 생성된 모든 모델은 SageMaker 모델 레지스트리에 추가됩니다.

실험 추적 중에 모델을 로깅한 후 MLflow UI의 실행 페이지로 이동합니다. 아티팩트 창을 선택하고 오른쪽 상단 모서리의 모델 등록을 선택하여 MLflow 및 SageMaker 모델 레지스트리 모두에 모델 버전을 등록합니다.

Studio에서 등록된 모델 보기

SageMaker Studio 랜딩 페이지에서 왼쪽 탐색 창의 모델을 선택하여 등록된 모델을 확인합니다. Studio 시작하기에 대한 자세한 내용은 Amazon SageMaker Studio 시작을 참조하세요.