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。
MLflow教學課程使用範例 Jupyter 筆記本
以下自學課程示範如何將MLflow實驗整合到訓練工作流程中。若要清理筆記本自學課程所建立的資源，請參閱〈〉清除 MLflow 資源。
您可以 JupyterLab 在 Studio 中使用執行 SageMaker 範例筆記本。如需詳細資訊 JupyterLab，請參閱〈〉JupyterLab 使用者指南。
探索下列範例筆記本：
-
SageMaker 訓練方式 MLflow
— 使用指令碼模式訓練和註冊 Scikit 學習模 SageMaker 型。瞭解如何將MLflow實驗整合到訓練指令碼中。如需模型訓練的詳細資訊，請參閱使用 Amazon 訓練模型 SageMaker。 -
SageMaker HPO使用 MLflow
— 了解如何MLflow使用 Amazon SageMaker 自動模型調整 (AMT) 和 SageMaker Python SDK。每個訓練迭代都會記錄為同一實驗中的運行。如需超參數最佳化 (HPO) 的詳細資訊，請參閱使用 Amazon SageMaker 執行自動模型調整。 -
SageMaker 管道使用 MLflow
— 使用 Amazon SageMaker 管道MLflow以及訓練、評估和註冊模型。這個筆記本使用 @step裝飾器來構建 SageMaker 管道。有關管道和@step裝@step飾器的更多信息，請參閱創建具有-decor函數的管道。 -
將MLflow模型部署到 SageMaker
— 使用 SciKit-Learn 訓練決策樹模型。然後，使用 Amazon SageMaker ModelBuilder將模型部署到 SageMaker 端點，並使用部署的模型執行推論。如需有關ModelBuilder的詳細資訊，請參閱 使用 部署MLflow模型 ModelBuilder。
