本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

使用 SageMaker 模型注册表自动注册 SageMaker AI 模型

您可以使用 Python SDK 或直接通过 MLflow 用户界面记录 MLflow 模型，并自动将其注册到 SageMaker 模型注册中心。

使用 SageMaker Python SDK 注册模型

在 MLflow 客户端中使用 create_registered_model 将在 SageMaker AI 中自动创建一个模型包组，该模型包组与您选择的现有 MLflow 模型相对应。

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"})

使用 mlflow.register_model() 可在模型训练过程中自动向 SageMaker 模型注册中心注册模型。注册 MLflow 模型时，会在 SageMaker AI 中创建相应的模型包组和模型包版本。

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}")

使用 MLflow 用户界面注册模型

您也可以直接在 MLflow 用户界面中向 SageMaker 模型注册中心注册模型。在 MLflow 用户界面的模型菜单中选择 创建模型。以这种方式新建的任何模型都会添加到 SageMaker 模型注册表中。

在实验跟踪过程中记录模型后，导航到 MLflow 用户界面中的运行页面。选择构件窗格，然后选择右上角的注册模型以在 MLflow 和 SageMaker Model Registry 中注册模型版本。

查看 Studio 中已注册的模型

在 SageMaker Studio 登录页面中，选择左侧导航窗格中的模型，即可查看已注册的模型。有关开始使用 Studio 的更多信息，请参阅启动 Amazon SageMaker Studio。