Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.

Registrazione automatica dei modelli SageMaker AI con SageMaker Model Registry

Puoi registrare log per i modelli MLflow e registrarli automaticamente con SageMaker Model Registry utilizzando Python SDK o direttamente tramite l’interfaccia utente MLflow.

Registrazione dei modelli utilizzando SageMaker Python SDK

Utilizza create_registered_model all’interno del client MLflow per creare automaticamente un gruppo di pacchetti di modelli in SageMaker AI corrispondente a un modello MLflow esistente di tua scelta.

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"})

Utilizza mlflow.register_model() per registrare automaticamente un modello con SageMaker Model Registry durante l’addestramento dei modelli. Quando si registra il modello MLflow, in SageMaker AI vengono creati un gruppo di pacchetti di modelli e una versione del pacchetto di modelli corrispondenti.

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}")

Registrazione dei modelli utilizzando l’interfaccia utente MLflow

In alternativa, puoi registrare un modello con SageMaker Model Registry direttamente nell’interfaccia utente MLflow. Nel menu Modelli nell’interfaccia utente MLflow, seleziona Crea modello. Tutti i modelli appena creati in questo modo vengono aggiunti a SageMaker Model Registry.

Dopo aver registrato log per un modello durante il tracciamento dell’esperimento, vai alla pagina dell’esecuzione nell’interfaccia utente di MLflow. Seleziona il riquadro Artefatti, quindi Registra modello nell’angolo in alto a destra per registrare la versione del modello sia in MLflow sia in SageMaker Model Registry.

Visualizzazione dei modelli registrati in Studio

Nella pagina di destinazione di SageMaker Studio, seleziona Modelli nel riquadro di navigazione a sinistra per visualizzare i modelli registrati. Per informazioni su come iniziare a utilizzare Studio, consulta Avvio di Amazon SageMaker Studio.