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。
MLflow 使用示例 Jupyter 笔记本的教程
以下教程演示了如何将 MLflow 实验集成到训练工作流程中。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 AI 示例笔记本。有关 JupyterLab 的更多信息，请参阅JupyterLab 用户指南。
探索以下笔记本示例：
-
SageMaker 使用训练 MLflow
— 在脚本模式下使用 SageMaker AI 训练和注册 Scikit-Learn 模型。学习如何将 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 A SageMaker I 训练模型。 -
SageMaker AI HPO w MLflow
ith — 了解如何使用 Amazon A SageMaker I 自动模型调整 (AMT) 和 AI 来跟踪你的机器学习实验 MLflow SageMaker Python SDK。每次训练迭代都被记录为同一实验中的一次运行。有关超参数优化 (HPO) 的更多信息，请参阅使用 Ama SageMaker zon AI 执行自动模型调整。 -
SageMaker 管道与 MLflow
— 使用 Amazon Pi MLflow pelin SageMaker es 以及训练、评估和注册模型。这本笔记本使用 @step装饰器来构建 A SageMaker I 管道。有关管道和@step装饰器的更多信息，请参阅使用@step装饰函数创建管道。 -
将@@ MLflow 模型部署到 SageMaker AI
— 使用 SciKit-Learn 训练决策树模型。然后，使用 Amazon SageMaker AI 将模型部署 ModelBuilder到 A SageMaker I 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。