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 SageMaker 模型登錄檔自動註冊 SageMaker 模型

您可以使用 Python SDK或直接透過 MLflow UI 來記錄MLflow模型，並自動向 SageMaker 模型登錄檔註冊。

使用 SageMaker Python 註冊模型 SDK

在您的MLflow用戶端create_registered_model中使用 ，在 中自動建立與您選擇的現有模型 SageMaker 對應的MLflow模型套件群組。

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"})

在模型訓練期間，使用 mlflow.register_model()自動向 SageMaker 模型登錄檔註冊模型。註冊MLflow模型時，會在 中建立對應的模型套件群組和模型套件版本 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}")

使用 UI MLflow 註冊模型

您也可以直接在 UI MLflow 中使用模型登錄檔註冊 SageMaker 模型。在MLflow使用者介面中的模型選單中，選擇建立模型 。以這種方式新建立的任何模型都會新增至 SageMaker 模型登錄檔。

在實驗追蹤期間記錄模型後，導覽至 UI MLflow 中的執行頁面。選擇偽影窗格，然後選擇右上角的註冊模型，在 MLflow和模型登錄檔中註冊 SageMaker 模型版本。

在 Studio 中檢視已註冊的模型

在 SageMaker Studio 登陸頁面中，選擇左側導覽窗格中的模型以檢視已註冊的模型。如需開始使用 Studio 的詳細資訊，請參閱啟動 Amazon SageMaker Studio。