使用 建立追蹤伺服器 AWS CLI - Amazon SageMaker AI
必要條件設定 AWS CLI 模型設定 MLflow 基礎設施建立 MLflow 追蹤伺服器

本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

使用 建立追蹤伺服器 AWS CLI

您可以使用 建立追蹤伺服器 AWS CLI ，以更精細地自訂安全性。

必要條件

若要使用 建立追蹤伺服器 AWS CLI，您必須具備下列項目：

  • 存取終端機。 這可能包括本機 IDEs、Amazon EC2 執行個體或 AWS CloudShell。

  • 存取開發環境。這可能包括 Studio 或 Studio Classic 內的本機 IDEs 或 Jupyter 筆記本環境。

  • 設定的 AWS CLI 安裝。如需詳細資訊，請參閱設定 AWS CLI。

  • 具有適當許可的 IAM 角色。下列步驟需要您的環境具有 iam:CreateRole、iam:AttachRolePolicy、 iam:CreatePolicy和 iam:ListPolicies許可。用於執行本使用者指南中步驟的角色需要這些許可。本指南中的指示會建立 IAM 角色，做為 MLflow 追蹤伺服器的執行角色，以便其存取 Amazon S3 儲存貯體中的資料。此外，還會建立政策，提供使用者透過 MLflow SDK 許可與追蹤伺服器互動以呼叫 MLflow APIs IAM 角色。如需詳細資訊，請參閱修改角色許可政策 （主控台）。

    如果使用 SageMaker Studio 筆記本，請使用這些 IAM 許可更新 Studio 使用者設定檔的服務角色。若要更新服務角色，請導覽至 SageMaker AI 主控台，然後選取您正在使用的網域。然後，在網域下，選取您正在使用的使用者設定檔。您會在那裡看到列出的服務角色。導覽至 IAM 主控台，在角色下搜尋服務角色，並使用允許 iam:CreateRole、iam:CreatePolicy、 iam:AttachRolePolicy和 iam:ListPolicies動作的政策更新您的角色。

設定 AWS CLI 模型

請依照終端機中的這些命令列步驟，設定 AWS CLI Amazon SageMaker AI with MLflow。

  1. 安裝更新版本的 AWS CLI。如需詳細資訊，請參閱AWS CLI 《 使用者指南》中的安裝或更新至最新版本的 AWS CLI。

  2. 使用以下命令確認 AWS CLI 已安裝：

    aws sagemaker help

    按 q 結束提示。

    如需故障診斷協助，請參閱常見設定問題的故障診斷。

設定 MLflow 基礎設施

下一節說明如何設定 MLflow 追蹤伺服器，以及追蹤伺服器所需的 Amazon S3 儲存貯體和 IAM 角色。

建立 S3 儲存貯體

在終端機中，使用以下命令來建立一般用途的 Amazon S3 儲存貯體：

注意

用於成品存放區的 Amazon S3 儲存貯體必須與追蹤伺服器 AWS 區域 位於相同位置。

bucket_name=bucket-name
region=valid-region

aws s3api create-bucket \
  --bucket $bucket_name \
  --region $region \
  --create-bucket-configuration LocationConstraint=$region

輸出格式應類似以下內容：

{
    "Location": "/bucket-name"
}

設定 IAM 信任政策

使用下列步驟來建立 IAM 信任政策。如需角色和信任政策的詳細資訊，請參閱AWS Identity and Access Management 《 使用者指南》中的角色術語和概念。

  1. 在終端機中，使用以下命令來建立名為 的檔案mlflow-trust-policy.json。

    cat <<EOF > /tmp/mlflow-trust-policy.json
{
     "Version": "2012-10-17",
     "Statement": [
         {
             "Effect": "Allow",
             "Principal": {
                 "Service": [                     
                      "sagemaker.amazonaws.com"
                 ]
             },
             "Action": "sts:AssumeRole"
         }
     ]
 }
EOF

  2. 在終端機中，使用以下命令來建立名為 的檔案custom-policy.json。

    cat <<EOF > /tmp/custom-policy.json
{
    "Version": "2012-10-17",
    "Statement": [
        {
            "Effect": "Allow",
            "Action": [
                "s3:Get*",
                "s3:Put*",
                "sagemaker:AddTags",
                "sagemaker:CreateModelPackageGroup",
                "sagemaker:CreateModelPackage",
                "sagemaker:DescribeModelPackageGroup",
                "sagemaker:UpdateModelPackage",
                "s3:List*"
            ],
            "Resource": "*"
        }
    ]
}
EOF

  3. 使用信任政策檔案來建立角色。然後，連接 IAM 角色政策，允許 MLflow 存取您帳戶中的 Amazon S3 和 SageMaker 模型登錄檔。MLflow 必須具有追蹤伺服器成品存放區的 Amazon S3 存取權，以及自動模型註冊的 SageMaker 模型登錄檔。

    注意

    如果您要更新現有角色，請改用下列命令：aws iam update-assume-role-policy --role-name $role_name --policy-document file:///tmp/mlflow-trust-policy.json。

    role_name=role-name

aws iam  create-role \
  --role-name $role_name \
  --assume-role-policy-document file:///tmp/mlflow-trust-policy.json

aws iam put-role-policy \
  --role-name $role_name \
  --policy-name custom-policy \
  --policy-document file:///tmp/custom-policy.json

role_arn=$(aws iam get-role --role-name  $role_name --query 'Role.Arn' --output text)

建立 MLflow 追蹤伺服器

在終端機中，使用 create-mlflow-tracking-server API 在 AWS 區域 您選擇的 中建立追蹤伺服器。此步驟最多可能需要 25 分鐘。

您可以選擇性地使用 參數 指定追蹤伺服器的大小--tracking-server-config。選擇 "Small"、 "Medium"和 "Large"。預設 MLflow Tracking Server 組態大小為 "Small"。您可以根據追蹤伺服器的預計使用量選擇大小，例如記錄的資料量、使用者數量和使用頻率。如需詳細資訊，請參閱MLflow 追蹤伺服器大小。

下列命令會在啟用自動模型註冊的情況下建立新的追蹤伺服器。若要停用自動模型註冊，請指定 --no-automatic-model-registration。

建立追蹤伺服器後，您可以啟動 MLflow UI。如需詳細資訊，請參閱使用預先簽章的 URL 啟動 MLflow UI。

注意

最多可能需要 25 分鐘才能完成追蹤伺服器建立。如果追蹤伺服器需要超過 25 分鐘才能建立，請檢查您是否具有必要的 IAM 許可。如需 IAM 許可的詳細資訊，請參閱設定 MLflow 的 IAM 許可。當您成功建立追蹤伺服器時，它會自動啟動。

當您建立追蹤伺服器時，建議您指定最新版本。如需可用版本的相關資訊，請參閱 追蹤伺服器版本。

根據預設，建立的追蹤伺服器是最新版本。不過，我們建議您一律明確指定最新版本，因為基礎 MLflow APIs可能會變更。

ts_name=tracking-server-name
region=valid-region
version=valid-version        


aws sagemaker create-mlflow-tracking-server \
 --tracking-server-name $ts_name \
 --artifact-store-uri s3://$bucket_name \
 --role-arn $role_arn \
 --automatic-model-registration \
 --region $region \
 --mlflow-version $version

輸出格式應類似以下內容：

{
    "TrackingServerArn": "arn:aws:sagemaker:region:123456789012:mlflow-tracking-server/tracking-server-name"
}
重要

請記下追蹤伺服器 ARN 以供日後使用。您也需要 $bucket_name進行清除步驟。