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 部署 MLflow 模型 ModelBuilder

您可以使用 Amazon SageMaker AI Model Builder 將 MLflow 模型部署至 SageMaker AI 端點。 Amazon SageMaker 如需 Amazon SageMaker AI Model Builder 的詳細資訊，請參閱使用 ModelBuilder 在 Amazon SageMaker AI 中建立模型 ModelBuilder。

ModelBuilder 是一種 Python 類別，採用架構模型或使用者指定的推論規格，並將其轉換為可部署模型。如需 ModelBuilder類別的詳細資訊，請參閱 ModelBuilder。

若要使用 部署 MLflow 模型ModelBuilder，請在 model_metadata["MLFLOW_MODEL_PATH"] 屬性中提供 MLflow 成品的路徑。如需有效模型路徑輸入格式的詳細資訊，請繼續閱讀：

在 中需要 ARN 的模型路徑 model_metadata

下列模型路徑確實需要您在 部署model_metadata的 中指定 ARN：

中不需要 ARN 的模型路徑 model_metadata

下列模型路徑不需要您在 部署model_metadata的 中指定 ARN：

如需 MLflow 模型部署如何與 Amazon SageMaker AI 搭配使用的詳細資訊，請參閱 MLflow 文件中的將 MLflow 模型部署至 Amazon SageMaker AI。 MLflow

如果使用 Amazon S3 路徑，您可以使用下列命令找到已註冊模型的路徑：

registered_model = client.get_registered_model(name='AutoRegisteredModel')
source_path = registered_model.latest_versions[0].source

以下範例概述如何使用 ModelBuilder和 MLflow 模型登錄路徑部署 MLflow 模型。由於此範例以 MLflow 模型登錄檔路徑的形式提供模型成品路徑，因此對 的呼叫ModelBuilder也必須透過 model_metadata["MLFLOW_TRACKING_ARN"] 屬性指定追蹤伺服器 ARN。

from sagemaker.serve import ModelBuilder
from sagemaker.serve.mode.function_pointers import Mode
from sagemaker.serve import SchemaBuilder

my_schema = SchemaBuilder(
    sample_input=sample_input, 
    sample_output=sample_output
)

model_builder = ModelBuilder(
    mode=Mode.SAGEMAKER_ENDPOINT,
    schema_builder=my_schema,
    role_arn="Your-service-role-ARN",
    model_metadata={
        # both model path and tracking server ARN are required if you use an mlflow run ID or mlflow model registry path as input
        "MLFLOW_MODEL_PATH": "models:/sklearn-model/1"
        "MLFLOW_TRACKING_ARN": "arn:aws:sagemaker:region:account-id:mlflow-tracking-server/tracking-server-name"
    }
)
model = model_builder.build()
predictor = model.deploy( initial_instance_count=1, instance_type="ml.c6i.xlarge" )

若要維持使用 部署之 MLflow 模型的譜系追蹤ModelBuilder，您必須具有下列 IAM 許可：

如需詳細資訊和end-to-end範例，請參閱使用範例 Jupyter 筆記本的 MLflow 教學課程。