亚马逊AWS官方博客 ·

Amazon SageMaker 上完全托管式 MLflow 正式上线

💡 原文中文，约5500字，阅读约需13分钟。

📝

内容提要

Amazon SageMaker宣布上线完全托管的MLflow功能，帮助机器学习团队管理整个ML生命周期。客户可以轻松设置和管理MLflow跟踪服务器，简化流程并提高生产力。Amazon SageMaker消除了设置和管理MLflow的繁重工作，为ML管理员提供了一种在AWS上建立安全且可扩展的MLflow环境的快速方法。

🎯

关键要点

Amazon SageMaker上线完全托管的MLflow功能，帮助机器学习团队管理整个ML生命周期。
客户可以轻松设置和管理MLflow跟踪服务器，简化流程并提高生产力。
MLflow是一种开源工具，帮助数据科学家和ML开发人员跟踪训练模型的多次尝试。
SageMaker上的托管式MLflow功能围绕三个核心组件构建：MLflow跟踪服务器、MLflow后端元数据存储和MLflow构件存储。
使用Amazon SageMaker与MLflow可以简化并增强机器学习工作流程，包括全面的实验跟踪和统一模型治理。
MLflow跟踪服务器需要IAM执行角色来读取和写入构件到Amazon S3。
创建MLflow跟踪服务器的过程包括选择跟踪服务器的名称和构件存储位置。
用户可以通过Jupyter Notebook记录指标、参数和构件，并在MLflow UI中比较不同的运行。
注册模型到MLflow模型注册表后，模型会自动出现在SageMaker模型注册表中。
MLflow跟踪服务器的计费基于服务器运行的时间、大小以及记录到跟踪服务器的数据量。
SageMaker与MLflow功能现已在所有提供SageMaker Studio的AWS区域正式推出，除中国和美国GovCloud区域外。

❓

延伸问答

Amazon SageMaker 上的 MLflow 功能有什么优势？

Amazon SageMaker 上的 MLflow 功能可以简化机器学习工作流程，提供全面的实验跟踪、统一模型治理和高效的服务器管理。

如何在 SageMaker 上创建 MLflow 跟踪服务器？

在 SageMaker Studio UI 中选择 MLflow，命名跟踪服务器并指定构件存储位置，然后创建跟踪服务器。

MLflow 跟踪服务器的计费是如何计算的？

MLflow 跟踪服务器的计费基于服务器运行的时间、大小以及记录到跟踪服务器的数据量。

MLflow 是什么，它的主要功能有哪些？

MLflow 是一种开源工具，帮助机器学习团队管理 ML 生命周期，主要功能包括实验跟踪、模型注册和评估。

如何在 MLflow 中注册模型？

使用 sagemaker-mlflow 插件将模型注册到 MLflow 模型注册表后，模型会自动出现在 SageMaker 模型注册表中。

SageMaker 上的 MLflow 功能在哪些区域可用？

SageMaker 上的 MLflow 功能在所有提供 SageMaker Studio 的 AWS 区域正式推出，除了中国和美国 GovCloud 区域。

🏷️