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 Jupyter Notebook 示例的 MLflow 教程
<a name="mlflow-tutorials"></a>

以下教程演示了如何将 MLflow 实验集成到训练作业流程中。要清理笔记本教程创建的资源，请参阅 [清理 MLflow 资源](mlflow-cleanup.md)。

您可以在 Studio JupyterLab 中使用运行 SageMaker AI 示例笔记本。有关 JupyterLab 的更多信息，请参阅[JupyterLab 用户指南](studio-updated-jl-user-guide.md)。

探索以下笔记本示例：
+ [SageMaker 使用 mlFlow 进行训](https://sagemaker-examples.readthedocs.io/en/latest/sagemaker-mlflow/sagemaker_training_mlflow.html)练 — 在脚本模式下使用 SageMaker AI 训练和注册 Scikit-Learn 模型。了解如何将 MLflow 实验集成到您的训练脚本中。有关模型训练的更多信息，请参阅[使用 Amazon A SageMaker I 训练模型](https://docs.aws.amazon.com/sagemaker/latest/dg/how-it-works-training.html)。
+ [SageMaker 使用 mlFlow 的 AI HPO](https://sagemaker-examples.readthedocs.io/en/latest/sagemaker-mlflow/sagemaker_hpo_mlflow.html) — 了解如何使用亚马逊 SageMaker 人工智能自动模型调整 (AMT) 和 AI SDK 在 mlFlow 中跟踪你的机器学习实验。 SageMaker Python每次训练迭代都被记录为同一实验中的一次运行。有关超参数优化 (HPO) 的更多信息，请参阅使用 [Ama SageMaker zon AI 执行自动模型调整](https://docs.aws.amazon.com/sagemaker/latest/dg/automatic-model-tuning.html)。
+ [SageMaker 带有 mlFlow](https://sagemaker-examples.readthedocs.io/en/latest/sagemaker-mlflow/sagemaker_pipelines_mlflow.html) 的 SageMaker 管道 — 使用 Amazon Pipelines 和 mlFlow 来训练、评估和注册模型。这本笔记本使用`@step`装饰器来构建 A SageMaker I 管道。有关管道和 `@step` 装饰器的更多信息，请参阅[使用 `@step` 装饰函数创建管道](https://docs.aws.amazon.com/sagemaker/latest/dg/pipelines-step-decorator-create-pipeline.html)。
+ 将 [mlFlow 模型部署到 SageMaker AI](https://sagemaker-examples.readthedocs.io/en/latest/sagemaker-mlflow/sagemaker_deployment_mlflow.html) — 使用 SciKit-Learn训练决策树模型。然后，使用 Amazon SageMaker AI 将模型部署`ModelBuilder`到 A SageMaker I 终端节点，并使用已部署的模型运行推理。有关 `ModelBuilder` 的更多信息，请参阅 [使用 `ModelBuilder` 部署 MLflow 模型](mlflow-track-experiments-model-deployment.md)。