Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
MLflow-Tutorials mit Beispiel-Jupyter-Notebooks
In den folgenden Tutorials wird gezeigt, wie Sie die MLflow-Experimente in Ihre Trainingsworkflows integrieren können. Informationen zum Bereinigen der in einem Notebook-Tutorial erstellten Ressourcen finden Sie unter Bereinigen von MLflow-Ressourcen.
Sie können Beispiel-Notebooks von SageMaker AI mit JupyterLab in Studio ausführen. Weitere Informationen zu JupyterLab finden Sie unter JupyterLab benutzerhandbuch.
Sehen Sie sich die folgenden Beispiel-Notebooks an:
-
SageMaker-Training mit MLflow
– Trainieren und registrieren Sie ein Scikit-Learn-Modell mit SageMaker AI im Skriptmodus. Erfahren Sie, wie Sie MLflow-Experimente in Ihr Trainingsskript integrieren können. Weitere Informationen zum Modelltraining finden Sie unter Trainieren eines Modells mit Amazon SageMaker AI. -
SageMaker AI HPO mit MLflow
– Erfahren Sie, wie Sie Ihr ML-Experiment in MLflow mit der automatischen Modelloptimierung (AMT, Automatic Model Tuning) von Amazon SageMaker AI und dem SageMaker AI Python SDK verfolgen können. Jede Trainingsiteration wird als Lauf innerhalb desselben Experiments protokolliert. Weitere Informationen zur Hyperparameter-Optimierung (HPO) finden Sie unter Durchführen einer automatischen Modelloptimierung mit Amazon SageMaker AI. -
SageMaker-Pipelines mit MLflow
– Verwenden Sie Amazon SageMaker Pipelines und MLflow, um ein Modell zu trainieren, zu bewerten und zu registrieren. Dieses Notizbuch verwendet den @stepDecorator, um eine SageMaker-KI-Pipeline zu erstellen. Weitere Informationen zu Pipelines und dem@stepDecorator finden Sie unter Erstellen einer Pipeline mit@step-gekennzeichneten Funktionen. -
Bereitstellen eines MLflow-Modells für SageMaker AI
– Trainieren Sie ein Entscheidungsbaummodell mit SciKit-Learn. Verwenden Sie dann Amazon SageMaker AI ModelBuilder, um das Modell auf einem SageMaker-AI-Endpunkt bereitzustellen und die Inferenz anhand des bereitgestellten Modells auszuführen. Mehr überModelBuildererfahren Sie unter Bereitstellen von MLflow-Modellen mit ModelBuilder.
