本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。
将 MLflow 与您的环境集成
以下页面介绍了如何在您的开发环境中开始使用 mlFlow SDK 和 AWS mlFlow 插件。这可以包括本地集成开发环境或 Studio 或 Studio Classic 中的 Jupyter Notebook 环境。
Amazon SageMaker AI 使用 mlFlow 插件自定义 mlFlow Python 客户端的行为并集成 AWS 工具。 AWS mlFlow 插件使用AWS 签名版本 4 对通过 mlFlow 进行的 API 调用进行身份验证。 AWS mlFlow 插件允许您使用跟踪服务器 ARN 连接到 mlFlow 跟踪服务器。有关插件的更多信息，请参阅 AWS MLflow 插件
重要
您开发环境中的用户 IAM 权限必须能够访问任何相关的 MLflow API 操作，才能成功运行所提供的示例。有关更多信息，请参阅 为 MLflow 设置 IAM 权限。
有关使用 MLflow SDK 的更多信息，请参阅 MLflow 文档中的 Python API
安装 mlFlow 和 AWS mlFlow插件
在您的开发环境中，同时安装 mlFlow 和 mlF AWS low 插件。
pip install sagemaker-mlflow
为确保 MLflow 客户端和跟踪服务器之间的兼容性，请根据您的跟踪服务器版本使用相应的 MLflow 版本：
-
对于跟踪服务器 2.13.x，请使用
mlflow==2.13.2 -
对于跟踪服务器 2.16.x，请使用
mlflow==2.16.2 -
对于跟踪服务器 3.0.x，请使用
mlflow==3.0.0
要查看哪些版本的 mlFlow 可用于 SageMaker AI，请参阅跟踪服务器版本。
连接到 MLflow 跟踪服务器
使用 mlflow.set_tracking_uri 从开发环境使用 ARN 连接到跟踪服务器：
import mlflow arn ="YOUR-TRACKING-SERVER-ARN"mlflow.set_tracking_uri(arn)
