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。
使用示例 Jupyter 笔记本的 mlFlow 教程
以下教程演示如何将 mlFlow 实验集成到您的训练工作流程中。要清理笔记本教程创建的资源,请参阅清理 mlFlow 资源。
您可以在 Studio JupyterLab 中使用运行 SageMaker 示例笔记本。有关 JupyterLab 的更多信息,请参阅 JupyterLab 用户指南。
浏览以下示例笔记本:
-
SageMaker 使用 mlFlow 进行训练
— 在脚本模式下使用 SageMaker 训练和注册 Scikit-Learn 模型。了解如何将 mlFlow 实验集成到训练脚本中。有关模型训练的更多信息,请参阅使用 Amazon 训练模型 SageMaker。 -
SageMaker 使用 mlFlow 的 HPO
— 了解如何使用亚马逊 SageMaker 自动模型调整 (AMT) 和 SDK 在 mlFlow 中跟踪您的机器学习实验。 SageMaker Python每次训练迭代都记录为同一个实验中的一次运行。有关超参数优化 (HPO) 的更多信息,请参阅使用 Amazon 执行自动模型调整。 SageMaker -
SageMaker 使用 mlFlow 的管
道 — 使用亚马逊 SageMaker 模型构建管道和 mlFlow 来训练、评估和注册模型。这本笔记本使用 @step
装饰器来构建 SageMaker 流水线。有关管道和@step
装饰器的更多信息,请参见使用@step
装饰函数创建管道。 -
将 mlFlow 模型部署到 SageMaker
— 使用 SciKit-Learn 训练决策树模型。然后,使用 Amazon 将模型部署 SageMaker ModelBuilder
到 SageMaker 终端节点,并使用已部署的模型运行推理。有关ModelBuilder
的更多信息,请参阅 使用部署 mlFlow 模型 ModelBuilder。