Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.

Integrazione di MLflow con il proprio ambiente

La pagina seguente descrive come iniziare a utilizzare l'SDK MLFlow e il plug-in MLFlow all'interno del AWS proprio ambiente di sviluppo. Questo può includere IDE locali o un ambiente notebook Jupyter in Studio o Studio Classic.

Amazon SageMaker AI utilizza un plug-in MLFlow per personalizzare il comportamento del client MLFlow Python e integrare gli strumenti. AWS Il plug-in AWS MLFlow autentica le chiamate API effettuate con MLFlow utilizzando la versione 4 di Signature.AWS Il plug-in AWS MLFlow consente di connettersi al server di tracciamento MLFlow utilizzando il server di tracciamento ARN. Per ulteriori informazioni sui plugin, consulta gli argomenti relativi ai plugin AWS MLflow e ai plugin MLflow.

Per ulteriori informazioni sull’utilizzo dell’MLflow SDK, consulta l’argomento relativo all’API di Python nella documentazione di MLflow.

Installa MLFlow e AWS Plugin MLFlow

Nel tuo ambiente di sviluppo, installa sia MLFlow che il plug-in AWS MLFlow.

pip install sagemaker-mlflow

Per garantire la compatibilità tra il client MLflow e il server di tracciamento, utilizza la versione MLflow corrispondente in base alla versione del server di tracciamento:

Per vedere quali versioni di MLFlow sono disponibili per l'uso con SageMaker AI, consulta. Versioni del server di tracciamento

Connessione al server di tracciamento MLflow

Utilizza mlflow.set_tracking_uri per connetterti al server di tracciamento dal tuo ambiente di sviluppo utilizzando il relativo ARN:

import mlflow

arn = "YOUR-TRACKING-SERVER-ARN"

mlflow.set_tracking_uri(arn)