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.

Integrazione MLflow con il tuo ambiente

La pagina seguente descrive come iniziare a usare l' MLflow SDK e il AWS MLflow plugin all'interno del tuo ambiente di sviluppo. Ciò può includere un ambiente locale IDEs o Jupyter Notebook all'interno di Studio o Studio Classic.

Amazon SageMaker AI utilizza un MLflow plug-in per personalizzare il comportamento del client MLflow Python e integrare AWS gli strumenti. Il AWS MLflow plug-in autentica le chiamate API effettuate MLflow utilizzando AWS la versione 4 di Signature. Il AWS MLflow plugin consente di connettersi al server di MLflow tracciamento utilizzando il server di tracciamento ARN. Per ulteriori informazioni sui plugin, consulta AWS MLflow plugin e MLflow plugin.

Per ulteriori informazioni sull'utilizzo dell' MLflow SDK, consulta l'API Python nella MLflow documentazione.

Installa MLflow e il plugin AWS MLflow

Nel tuo ambiente di sviluppo, installa entrambi MLflow e il AWS MLflow plugin.

pip install sagemaker-mlflow

Per garantire la compatibilità tra il MLflow client e il server di tracciamento, utilizzate la MLflow versione corrispondente basata sulla versione del server di tracciamento:

Per vedere quali versioni di MLflow sono disponibili per l'uso con SageMaker AI, vedi. Versioni del server di tracciamento

Connect al server MLflow di tracciamento

Utilizzalo mlflow.set_tracking_uri per connetterti a un server di tracciamento dal tuo ambiente di sviluppo utilizzando il relativo ARN:

import mlflow

arn = "YOUR-TRACKING-SERVER-ARN"

mlflow.set_tracking_uri(arn)