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.

Registra automaticamente i modelli SageMaker AI con Model Registry SageMaker

È possibile registrare i modelli MLFlow e registrarli automaticamente con SageMaker Model Registry utilizzando Python SDK o direttamente tramite l'interfaccia utente MLFlow.

Registra modelli usando SageMaker Python SDK

Utilizzalo create_registered_model all'interno del tuo client MLFlow per creare automaticamente un gruppo di pacchetti di modelli in SageMaker AI che corrisponde a un modello MLFlow esistente di tua scelta.

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"})

mlflow.register_model()Utilizzatelo per registrare automaticamente un modello nel Model Registry durante l' SageMaker addestramento del modello. Quando si registra il modello MLFlow, in AI vengono creati un gruppo di pacchetti di modelli e una versione del pacchetto di modelli corrispondenti. SageMaker

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}")

Registrazione dei modelli utilizzando l’interfaccia utente MLflow

In alternativa, è possibile registrare un modello con il Model SageMaker Registry direttamente nell'interfaccia utente di MLFlow. Nel menu Modelli nell’interfaccia utente MLflow, seleziona Crea modello. Tutti i modelli appena creati in questo modo vengono aggiunti al SageMaker Model Registry.

Dopo aver registrato log per un modello durante il tracciamento dell’esperimento, vai alla pagina dell’esecuzione nell’interfaccia utente di MLflow. Scegliete il riquadro Artifacts e scegliete Registra modello nell'angolo in alto a destra per registrare la versione del modello sia in MLFlow che nel Model Registry. SageMaker

Visualizzazione dei modelli registrati in Studio

Nella pagina iniziale di SageMaker Studio, scegli Modelli nel riquadro di navigazione a sinistra per visualizzare i modelli registrati. Per ulteriori informazioni su come iniziare a usare Studio, consulta Launch Amazon SageMaker Studio.