Amazon Web Services 文档中描述的 Amazon Web Services 服务或功能可能因区域而异。要查看适用于中国区域的差异，请参阅 中国的 Amazon Web Services 服务入门 (PDF)。

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。

使用 ModelBuilder 部署 MLflow 模型

您可以使用 SageMaker Amazon AI 模型生成器将 mlFlow 模型部署到 SageMaker 人工智能终端节点。有关 Amazon A SageMaker I 模型生成器的更多信息，请参阅使用在 Amazon A SageMaker I 中创建模型 ModelBuilder。

ModelBuilder 是一个 Python 类，它接收框架模型或用户指定的推理规范，并将其转换为可部署的模型。有关该ModelBuilder课程的更多详细信息，请参阅ModelBuilder。

要使用 ModelBuilder 部署 MLflow 模型，请在 model_metadata["MLFLOW_MODEL_PATH"] 属性中提供 MLflow 构件的路径。请继续阅读有关有效模型路径输入格式的更多信息：

在模型元数据中需要 ARN 的模型路径

以下模型路径要求在 model_metadata 中指定 ARN 以进行部署：

在模型元数据中不需要 ARN 的模型路径

以下模型路径无需在 model_metadata 中指定 ARN 以进行部署：

有关 mlFlow 模型部署如何与亚马逊 A SageMaker I 配合使用的更多信息，请参阅 mlFlo w 文档中的将 mlFlow 模型部署到亚马逊 SageMaker AI。

如果使用 Amazon S3 路径，可以通过以下命令找到注册模型的路径：

registered_model = client.get_registered_model(name='AutoRegisteredModel')
source_path = registered_model.latest_versions[0].source

下面的示例概述了如何使用 ModelBuilder 和 MLflow 模型注册表路径部署 MLflow 模型。由于该示例以 MLflow 模型注册表路径的形式提供模型构件路径，因此调用 ModelBuilder 时还必须通过 model_metadata["MLFLOW_TRACKING_ARN"] 属性指定跟踪服务器 ARN。

from sagemaker.serve import ModelBuilder
from sagemaker.serve.mode.function_pointers import Mode
from sagemaker.serve import SchemaBuilder

my_schema = SchemaBuilder(
    sample_input=sample_input, 
    sample_output=sample_output
)

model_builder = ModelBuilder(
    mode=Mode.SAGEMAKER_ENDPOINT,
    schema_builder=my_schema,
    role_arn="Your-service-role-ARN",
    model_metadata={
        # both model path and tracking server ARN are required if you use an mlflow run ID or mlflow model registry path as input
        "MLFLOW_MODEL_PATH": "models:/sklearn-model/1"
        "MLFLOW_TRACKING_ARN": "arn:aws:sagemaker:region:account-id:mlflow-tracking-server/tracking-server-name"
    }
)
model = model_builder.build()
predictor = model.deploy( initial_instance_count=1, instance_type="ml.c6i.xlarge" )

要维护使用 ModelBuilder 部署的 MLflow 模型的任务流水线追踪，您必须拥有以下 IAM 权限：

更多信息和端到端示例，请参阅 使用 Jupyter Notebook 示例的 MLflow 教程。