Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

Integrieren Sie MLflow sich in Ihre Umgebung

Auf der folgenden Seite wird beschrieben, wie Sie mit dem MLflow SDK und dem AWS MLflow Plugin in Ihrer Entwicklungsumgebung beginnen können. Dies kann eine lokale Umgebung IDEs oder eine Jupyter Notebook-Umgebung in Studio oder Studio Classic beinhalten.

Amazon SageMaker AI verwendet ein MLflow Plugin, um das Verhalten des MLflow Python-Clients anzupassen und AWS Tools zu integrieren. Das AWS MLflow Plugin authentifiziert API-Aufrufe, die mit AWS Signature Version MLflow 4 getätigt wurden. Das AWS MLflow Plugin ermöglicht es Ihnen, über den MLflow Tracking-Server ARN eine Verbindung zu Ihrem Tracking-Server herzustellen. Weitere Informationen zu Plugins finden Sie unter AWS MLflow Plugin und MLflow Plugins.

Weitere Informationen zur Verwendung des MLflow SDK finden Sie in der MLflow Dokumentation unter Python-API.

Installation MLflow und das AWS MLflow Plugin

Installieren Sie in Ihrer Entwicklungsumgebung MLflow sowohl das AWS MLflow Plugin als auch das Plugin.

pip install sagemaker-mlflow

Um die Kompatibilität zwischen Ihrem MLflow Client und Ihrem Tracking-Server sicherzustellen, verwenden Sie die entsprechende MLflow Version, die auf Ihrer Tracking-Serverversion basiert:

Informationen darüber, welche Versionen von für MLflow die Verwendung mit SageMaker KI verfügbar sind, finden Sie unterTracking-Server-Versionen.

Connect zu Ihrem MLflow Tracking-Server her

Verwenden Sie mlflow.set_tracking_uri, um von Ihrer Entwicklungsumgebung aus über den ARN eine Verbindung zu Ihrem Tracking-Server herzustellen:

import mlflow

arn = "YOUR-TRACKING-SERVER-ARN"

mlflow.set_tracking_uri(arn)