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 Jupyter Notebook 示例的 MLflow 教程
以下教程演示了如何将 MLflow 实验集成到训练作业流程中。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 中使用 JupyterLab 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：
-
使用 MLflow 进行 SageMaker 训练
：在脚本模式下使用 SageMaker AI 训练和注册 Scikit-Learn 模型。了解如何将 MLflow 实验集成到您的训练脚本中。有关模型训练的更多信息，请参阅使用 Amazon SageMaker AI 训练模型。 -
SageMaker AI HPO 与 MLflow
：了解如何利用 Amazon SageMaker AI 自动模型调优（AMT）和 SageMaker AI Python SDK 在 MLflow 中跟踪您的 ML 实验。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 Amazon SageMaker AI 执行自动模型调整。 -
SageMaker 管道与 MLflow
：使用 Amazon SageMaker Pipelines 和 MLflow 来训练、评估和注册模型。本笔记本使用 @step装饰器构建 SageMaker AI Pipeline。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 ModelBuilder将模型部署到 SageMaker AI 端点，并使用部署的模型运行推理。有关ModelBuilder的更多信息，请参阅 使用 ModelBuilder 部署 MLflow 模型。