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
<a name="mlflow-track-experiments"></a>

以下页面介绍了如何在您的开发环境中开始使用 mlFlow SDK 和 Amazon 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 Amazon 工具。 Amazon mlFlow 插件使用[Amazon 签名](https://docs.amazonaws.cn/AmazonS3/latest/API/sig-v4-authenticating-requests.html)版本 4 对通过 mlFlow 进行的 API 调用进行身份验证。 Amazon 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 [Amazon MLflow 插件](https://pypi.org/project/sagemaker-mlflow/)和 [MLflow 插件](https://mlflow.org/docs/latest/plugins.html).

**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](mlflow-create-tracking-server-iam.md)。

有关使用 MLflow SDK 的更多信息，请参阅 MLflow 文档中的 [Python API](https://mlflow.org/docs/2.13.2/python_api/index.html)。

## 安装 mlFlow 和 Amazon mlFlow插件
<a name="mlflow-track-experiments-install-plugin"></a>

在您的开发环境中，同时安装 mlFlow 和 mlF Amazon 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](mlflow.md#mlflow-create-tracking-server-versions)。

## 连接到 MLflow 跟踪服务器
<a name="mlflow-track-experiments-tracking-server-connect"></a>

使用 `[mlflow.set\_tracking\_uri](https://mlflow.org/docs/2.13.2/python_api/mlflow.html#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}})
```