Automatisches Registrieren von SageMaker-AI-Modellen bei SageMaker Model Registry

Sie können MLflow-Modelle protokollieren und sie automatisch mit dem Python SDK oder direkt über die MLflow-Benutzeroberfläche bei SageMaker Model Registry registrieren.

Registrieren von Modellen mit dem SageMaker Python SDK

Verwenden Sie create_registered_model in Ihrem MLflow-Client, um automatisch eine Modellpaketgruppe in SageMaker AI zu erstellen, die einem vorhandenen MLflow-Modell Ihrer Wahl entspricht.

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"})

Verwenden Sie mlflow.register_model(), um ein Modell während des Modelltrainings automatisch bei SageMaker Model Registry zu registrieren. Bei der Registrierung des MLflow-Modells werden eine entsprechende Modellpaketgruppe und Modellpaketversion in SageMaker AI erstellt.

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}")

Registrieren von Modellen über die MLflow-Benutzeroberfläche

Sie können ein Modell auch direkt in der MLflow-Benutzeroberfläche bei SageMaker Model Registry registrieren. Wählen Sie im Menü Modelle in der MLflow-Benutzeroberfläche die Option Modell erstellen aus. Alle auf diese Weise neu erstellten Modelle werden zu SageMaker Model Registry hinzugefügt.

Nachdem Sie ein Modell bei der Experimentnachverfolgung protokolliert haben, navigieren Sie zur Ausführungsseite in der MLflow-Benutzeroberfläche. Wählen Sie den Bereich Artefakte und wählen Sie in der oberen rechten Ecke Modell registrieren aus, um die Modellversion sowohl in MLflow als auch in SageMaker Model Registry zu registrieren.

Anzeigen registrierter Modelle in Studio

Wählen Sie auf der Landingpage von SageMaker Studio im linken Navigationsbereich Modelle aus, um Ihre registrierten Modelle anzuzeigen. Weitere Informationen zu den ersten Schritten mit Studio finden Sie unter Starten von Amazon SageMaker Studio.