本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

# 清除 MLflow 資源
<a name="mlflow-cleanup"></a>

當您不再需要任何資源時，建議您將其刪除。您可以透過 Amazon SageMaker Studio 或使用 AWS CLI刪除追蹤伺服器。您可以使用 AWS CLI 或直接在 AWS 主控台中刪除其他資源，例如 Amazon S3 儲存貯體、IAM 角色和 IAM 政策。

**重要**  
在您刪除追蹤伺服器本身之前，請不要刪除您用來建立的 IAM 角色。否則，您將無法存取追蹤伺服器。

## 停止追蹤伺服器
<a name="mlflow-cleanup-stop-server"></a>

我們建議您在追蹤伺服器不再使用時加以停止。您可以在 Studio 中或使用 停止追蹤伺服器 AWS CLI。

### 使用 Studio 停止追蹤伺服器
<a name="mlflow-cleanup-stop-server-ui"></a>

若要在 Studio 中停止追蹤伺服器：

1. 導覽至 Studio。

1. 在 Studio UI 的**應用程式**窗格中選擇 **MLflow**。

1. 在 **MLflow 追蹤伺服器**窗格中找到您選擇的追蹤伺服器。選擇追蹤伺服器窗格右上角的**停止**圖示。
**注意**  
如果您的追蹤伺服器**關閉**，您會看到**開始**圖示。如果追蹤伺服器為**開啟**，您會看到**停止**圖示。

### 使用 停止追蹤伺服器 AWS CLI
<a name="mlflow-cleanup-stop-server-cli"></a>

若要使用 停止追蹤伺服器 AWS CLI，請使用下列命令：

```
aws sagemaker stop-mlflow-tracking-server \
  --tracking-server-name $ts_name \
  --region $region
```

若要使用 啟動追蹤伺服器 AWS CLI，請使用下列命令：

**注意**  
最多可能需要 25 分鐘才能啟動追蹤伺服器。

```
aws sagemaker start-mlflow-tracking-server \
  --tracking-server-name $ts_name \
  --region $region
```

## 刪除追蹤伺服器
<a name="mlflow-cleanup-delete-server"></a>

您可以在 Studio 或使用 AWS CLI完全刪除追蹤伺服器。

### 使用 Studio 刪除追蹤伺服器
<a name="mlflow-cleanup-delete-server-ui"></a>

若要在 Studio 中刪除追蹤伺服器：

1. 導覽至 Studio。

1. 在 Studio UI 的**應用程式**窗格中選擇 **MLflow**。

1. 在 **MLflow 追蹤伺服器**窗格中找到您選擇的追蹤伺服器。選擇追蹤伺服器窗格右上角的垂直選單圖示。再選擇 **Delete** (刪除)。

1. 選擇**刪除**，即可確認刪除。

![\[Studio UI 的 MLflow 追蹤伺服器窗格中追蹤伺服器卡上的刪除選項。\]](http://docs.aws.amazon.com/zh_tw/sagemaker/latest/dg/images/mlflow/mlflow-studio-delete.png)


### 使用 刪除追蹤伺服器 AWS CLI
<a name="mlflow-cleanup-delete-server-cli"></a>

使用 `DeleteMLflowTrackingServer` API 刪除您所建立的任何追蹤伺服器。這可能需要一些時間。

```
aws sagemaker delete-mlflow-tracking-server \
  --tracking-server-name $ts_name \
  --region $region
```

若要檢視追蹤伺服器的狀態，請使用 `DescribeMLflowTrackingServer` API 並檢查 `TrackingServerStatus`。

```
aws sagemaker describe-mlflow-tracking-server \
  --tracking-server-name $ts_name \
  --region $region
```

## 刪除 Amazon S3 儲存貯體
<a name="mlflow-cleanup-delete-bucket"></a>

使用以下命令刪除用作追蹤伺服器成品存放區的任何 Amazon S3 儲存貯體：

```
aws s3 rm s3://$bucket_name --recursive
aws s3 rb s3://$bucket_name
```

您也可以直接在 AWS 主控台中刪除與追蹤伺服器相關聯的 Amazon S3 儲存貯體。如需詳細資訊，請參閱《Amazon S3 使用者指南》**中的[刪除儲存貯體](https://docs.aws.amazon.com/AmazonS3/latest/userguide/delete-bucket.html)。

## 刪除已註冊的模型
<a name="mlflow-cleanup-delete-bucket"></a>

您可以直接在 Studio 中刪除使用 MLflow 建立的任何模型群組和模型版本。如需詳細資訊，請參閱[刪除模型群組](https://docs.aws.amazon.com/sagemaker/latest/dg/model-registry-delete-model-group.html)和[刪除模型版本](https://docs.aws.amazon.com/sagemaker/latest/dg/model-registry-delete-model-version.html)。

## 刪除實驗或執行
<a name="mlflow-cleanup-delete-experiments"></a>

您可以使用 MLflow SDK 來刪除實驗或執行。
+ [mlflow.delete\$1experiment](https://mlflow.org/docs/latest/python_api/mlflow.html?highlight=delete_experiment#mlflow.delete_experiment)
+ [mlflow.delete\$1run](https://mlflow.org/docs/latest/python_api/mlflow.html?highlight=delete_experiment#mlflow.delete_run)