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。

# 使用 Jupyter Notebook 示例的 MLflow 教程
<a name="mlflow-tutorials"></a>

以下教程演示了如何将 MLflow 实验集成到训练作业流程中。要清理笔记本教程创建的资源，请参阅 [清理 MLflow 资源](mlflow-cleanup.md)。

您可以在 Studio 中使用 JupyterLab 运行 SageMaker AI 示例笔记本。有关 JupyterLab 的更多信息，请参阅 [JupyterLab 用户指南](studio-updated-jl-user-guide.md)。

探索以下笔记本示例：
+ [使用 MLflow 进行 SageMaker 训练](https://sagemaker-examples.readthedocs.io/en/latest/sagemaker-mlflow/sagemaker_training_mlflow.html)：在脚本模式下使用 SageMaker AI 训练和注册 Scikit-Learn 模型。了解如何将 MLflow 实验集成到您的训练脚本中。有关模型训练的更多信息，请参阅[使用 Amazon SageMaker AI 训练模型](https://docs.aws.amazon.com/sagemaker/latest/dg/how-it-works-training.html)。
+ [SageMaker AI HPO 与 MLflow](https://sagemaker-examples.readthedocs.io/en/latest/sagemaker-mlflow/sagemaker_hpo_mlflow.html)：了解如何利用 Amazon SageMaker AI 自动模型调优（AMT）和 SageMaker AI Python SDK 在 MLflow 中跟踪您的 ML 实验。每次训练迭代都被记录为同一实验中的一次运行。有关超参数优化（HPO）的更多信息，请参阅[使用 Amazon SageMaker AI 执行自动模型调整](https://docs.aws.amazon.com/sagemaker/latest/dg/automatic-model-tuning.html)。
+ [SageMaker 管道与 MLflow](https://sagemaker-examples.readthedocs.io/en/latest/sagemaker-mlflow/sagemaker_pipelines_mlflow.html)：使用 Amazon SageMaker Pipelines 和 MLflow 来训练、评估和注册模型。本笔记本使用 `@step` 装饰器构建 SageMaker AI Pipeline。有关管道和 `@step` 装饰器的更多信息，请参阅[使用 `@step` 装饰函数创建管道](https://docs.aws.amazon.com/sagemaker/latest/dg/pipelines-step-decorator-create-pipeline.html)。
+ [将 MLflow 模型部署到 SageMaker AI](https://sagemaker-examples.readthedocs.io/en/latest/sagemaker-mlflow/sagemaker_deployment_mlflow.html)：使用 SciKit-Learn 训练决策树模型。然后，使用 Amazon SageMaker AI `ModelBuilder` 将模型部署到 SageMaker AI 端点，并使用部署的模型运行推理。有关 `ModelBuilder` 的更多信息，请参阅 [使用部署 MLflow 模型 `ModelBuilder`](mlflow-track-experiments-model-deployment.md)。