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.

# Registrieren Sie SageMaker KI-Modelle automatisch bei SageMaker Model Registry
<a name="mlflow-track-experiments-model-registration"></a>

Sie können MLflow Modelle protokollieren und sie automatisch mit dem Python-SDK oder direkt über die MLflow Benutzeroberfläche bei SageMaker Model Registry registrieren. 

**Anmerkung**  
Verwenden Sie keine Leerzeichen in einem Modellnamen. MLflow Unterstützt zwar Modellnamen mit Leerzeichen, SageMaker AI Model Package jedoch nicht. Die automatische Registrierung schlägt fehl, wenn Sie Leerzeichen in Ihrem Modellnamen verwenden.

## Registrieren Sie Modelle mit dem SageMaker Python-SDK
<a name="mlflow-track-experiments-model-registration-sdk"></a>

Verwenden Sie es `create_registered_model` in Ihrem MLflow Client, um automatisch eine Modellpaketgruppe in SageMaker AI zu erstellen, die einem vorhandenen MLflow Modell Ihrer Wahl entspricht.

```
import mlflow 
from mlflow import MlflowClient

mlflow.set_tracking_uri(arn)

client = MlflowClient()

mlflow_model_name = 'AutoRegisteredModel'
client.create_registered_model(mlflow_model_name, tags={"key1": "value1"})
```

Wird verwendet`mlflow.register_model()`, um ein Modell während des Modelltrainings automatisch bei der SageMaker Model Registry zu registrieren. Bei der Registrierung des MLflow Modells werden eine entsprechende Modellpaketgruppe und eine Modellpaketversion in SageMaker AI erstellt. 

```
import mlflow.sklearn
from mlflow.models import infer_signature
from sklearn.datasets import make_regression
from sklearn.ensemble import RandomForestRegressor

mlflow.set_tracking_uri(arn)
params = {"n_estimators": 3, "random_state": 42}
X, y = make_regression(n_features=4, n_informative=2, random_state=0, shuffle=False)

# Log MLflow entities
with mlflow.start_run() as run:
    rfr = RandomForestRegressor(**params).fit(X, y)
    signature = infer_signature(X, rfr.predict(X))
    mlflow.log_params(params)
    mlflow.sklearn.log_model(rfr, artifact_path="sklearn-model", signature=signature)

model_uri = f"runs:/{run.info.run_id}/sklearn-model"
mv = mlflow.register_model(model_uri, "RandomForestRegressionModel")

print(f"Name: {mv.name}")
print(f"Version: {mv.version}")
```

## Registrieren Sie Modelle über die MLflow Benutzeroberfläche
<a name="mlflow-track-experiments-model-registration-ui"></a>

Sie können ein Modell alternativ direkt in der MLflow Benutzeroberfläche bei der SageMaker Model Registry registrieren. Wählen Sie im Menü **Modelle** der MLflow Benutzeroberfläche die Option **Modell erstellen** aus. Alle auf diese Weise neu erstellten Modelle werden der SageMaker Modellregistrierung hinzugefügt.

![\[Erstellung der Modellregistrierung innerhalb der MLflow Benutzeroberfläche.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/mlflow/mlflow-ui-register-model.png)


Nachdem Sie ein Modell während der Versuchsverfolgung protokolliert haben, navigieren Sie zur Ausführungsseite in der MLflow Benutzeroberfläche. Wählen Sie den Bereich **Artefakte** und klicken Sie in der oberen rechten Ecke auf **Modell registrieren**, um die Modellversion sowohl in der Modellregistrierung als auch MLflow in der SageMaker Modellregistrierung zu registrieren. 

![\[Erstellung der Modellregistrierung innerhalb der MLflow Benutzeroberfläche.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/mlflow/mlflow-ui-register-model-2.png)


## Anzeigen registrierter Modelle in Studio
<a name="mlflow-track-experiments-model-registration-ui-view"></a>

Wählen Sie auf der SageMaker Studio-Landingpage im linken Navigationsbereich **Models** aus, um Ihre registrierten Modelle anzuzeigen. Weitere Informationen zu den ersten Schritten mit Studio finden Sie unter [Amazon SageMaker Studio starten](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-updated-launch.html).

![\[MLflow Modelle, die in der SageMaker Modellregistrierung auf der Studio-Benutzeroberfläche registriert sind.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/mlflow/mlflow-studio-model-registry.png)