本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

# 將 MLflow 與您的環境整合
<a name="mlflow-track-experiments"></a>

下頁說明如何在開發環境中開始使用 MLflow SDK 和 AWS MLflow 外掛程式。這可能包括 Studio 或 Studio Classic 內的本機 IDE 或 Jupyter 筆記本環境。

Amazon SageMaker AI 使用 MLflow 外掛程式來自訂 MLflow Python 用戶端的行為並整合 AWS 工具。 AWS MLflow 外掛程式會使用 Signature 第 4 版來驗證使用 MLflow 進行的 API 呼叫。 [AWS](https://docs.aws.amazon.com/AmazonS3/latest/API/sig-v4-authenticating-requests.html) AWS MLflow 外掛程式可讓您使用追蹤伺服器 ARN 連線至 MLflow 追蹤伺服器。如需外掛程式的詳細資訊，請參閱 [AWS MLflow 外掛程式](https://pypi.org/project/sagemaker-mlflow/)和 [MLflow 外掛程式](https://mlflow.org/docs/latest/plugins.html)。

**重要**  
開發環境中的使用者 IAM 許可必須能夠存取任何相關的 MLflow API 動作，才能成功執行提供的範例。如需詳細資訊，請參閱[設定 MLflow 的 IAM 許可。](mlflow-create-tracking-server-iam.md)。

如需使用 MLflow SDK 的詳細資訊，請參閱 MLflow 文件中的 [Python API](https://mlflow.org/docs/2.13.2/python_api/index.html)。

## 安裝 MLflow 和 AWS MLflow 外掛程式
<a name="mlflow-track-experiments-install-plugin"></a>

在您的開發環境中，同時安裝 MLflow 和 AWS MLflow 外掛程式。

```
pip install sagemaker-mlflow
```

為了確保 MLflow 用戶端和追蹤伺服器之間的相容性，請根據您的追蹤伺服器版本使用對應的 MLflow 版本：
+ 對於追蹤伺服器 2.13.x，請使用 `mlflow==2.13.2`
+ 對於追蹤伺服器 2.16.x，請使用 `mlflow==2.16.2`
+ 對於追蹤伺服器 3.0.x，請使用 `mlflow==3.0.0`

若要查看哪些版本的 MLflow 可與 SageMaker AI 搭配使用，請參閱 [追蹤伺服器版本](mlflow.md#mlflow-create-tracking-server-versions)。

## 連線至 MLflow 追蹤伺服器
<a name="mlflow-track-experiments-tracking-server-connect"></a>

使用其 ARN 從開發環境使用 `[mlflow.set\_tracking\_uri](https://mlflow.org/docs/2.13.2/python_api/mlflow.html#mlflow.set_tracking_uri)` 連線至追蹤伺服器：

```
import mlflow

arn = {{"YOUR-TRACKING-SERVER-ARN"}}

mlflow.set_tracking_uri({{arn}})
```