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。
将 MLflow 与您的环境集成
下页将介绍如何在开发环境中开始使用 MLflow SDK 和 AWS MLflow 插件。这可以包括本地集成开发环境或 Studio 或 Studio Classic 中的 Jupyter Notebook 环境。
Amazon SageMaker AI 使用 MLflow 插件自定义 MLflow Python 客户端的行为，并集成 AWS 工具。AWS MLflow 插件使用 AWS 签名版本 4 验证 MLflow 的 API 调用。AWS MLflow 插件允许您使用跟踪服务器 ARN 连接到 MLflow 跟踪服务器。有关插件的更多信息，请参阅 AWS MLflow 插件
重要
您开发环境中的用户 IAM 权限必须能够访问任何相关的 MLflow API 操作，才能成功运行所提供的示例。有关更多信息，请参阅 为设置 IAM 权限 MLflow。
有关使用 MLflow SDK 的更多信息，请参阅 MLflow 文档中的 Python API
安装 MLflow 和 AWS MLflow 插件
在开发环境中安装 MLflow 和 AWS MLflow 插件。
pip install sagemaker-mlflow
为确保 MLflow 客户端和跟踪服务器之间的兼容性，请根据您的跟踪服务器版本使用相应的 MLflow 版本：
-
对于跟踪服务器 2.13.x，请使用
mlflow==2.13.2 -
对于跟踪服务器 2.16.x，请使用
mlflow==2.16.2 -
对于跟踪服务器 3.0.x，请使用
mlflow==3.0.0
要查看哪些版本的 MLflow 可与 SageMaker AI 配合使用，请参阅 跟踪服务器版本。
连接到 MLflow 跟踪服务器
使用 mlflow.set_tracking_uri 从开发环境使用 ARN 连接到跟踪服务器：
import mlflow arn ="YOUR-TRACKING-SERVER-ARN"mlflow.set_tracking_uri(arn)
