本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。
以下页面介绍如何在开发环境中开始使用 MLflow SDK 和 AWS MLflow 插件。这可能包括 Studio IDEs 或 Studio Classic 中的本地或 Jupyter 笔记本环境。
Amazon SageMaker AI 使用 MLflow 插件自定义 MLflow Python 客户端的行为并集成 AWS 工具。该 AWS MLflow 插件对 MLflow 使用AWS 签名版本 4 进行的 API 调用进行身份验证。该 AWS MLflow 插件允许您使用 MLflow跟踪服务器 ARN 连接到您的跟踪服务器。有关插件的更多信息，请参阅 MLflow 文档中的MLflow 插件
重要
您的开发环境中的用户 IAM 权限必须有权访问任何相关 MLflow 的 API 操作，才能成功运行提供的示例。有关更多信息，请参阅 为设置 IAM 权限 MLflow。
有关使用 MLflow 软件开发工具包的更多信息，请参阅 MLflow文档中的 Python API
安装 MLflow 和 AWS MLflow插件
在您的开发环境中，同时安装两者 MLflow 以及 AWS MLflow 插件。
注意
要查看哪些版本可用于 SageMaker AI，请参阅跟踪服务器版本。 MLflow
pip install mlflow==2.13.2sagemaker-mlflow==0.1.0
Connect 连接到您的 MLflow 跟踪服务器
使用 mlflow.set_tracking_uri 从开发环境使用 ARN 连接到跟踪服务器：
import mlflow arn ="YOUR-TRACKING-SERVER-ARN"mlflow.set_tracking_uri(arn)
