详细内容或原文请订阅后点击阅览
使用无服务器 MLflow 将 MLflow 跟踪服务器迁移到 Amazon SageMaker AI
本文向您展示如何将自我管理的 MLflow 跟踪服务器迁移到 MLflow 应用程序 - SageMaker AI 上的无服务器跟踪服务器，可根据需求自动扩展资源，同时免费消除服务器修补和存储管理任务。了解如何使用 MLflow 导出导入工具传输实验、运行、模型和其他 MLflow 资源，包括验证迁移是否成功的说明。
来源:亚马逊云科技 _机器学习运营自我管理的 MLflow 跟踪服务器会带来管理开销，包括服务器维护和资源扩展。随着团队扩展机器学习实验，在高峰使用和空闲期间有效管理资源是一项挑战。在 Amazon EC2 或本地运行 MLflow 的组织可以通过将 Amazon SageMaker AI 与无服务器 MLflow 结合使用来优化成本和工程资源。
本文向您展示如何将自我管理的 MLflow 跟踪服务器迁移到 MLflow 应用程序 - SageMaker AI 上的无服务器跟踪服务器，可根据需求自动扩展资源，同时免费消除服务器修补和存储管理任务。了解如何使用 MLflow 导出导入工具传输实验、运行、模型和其他 MLflow 资源，包括验证迁移是否成功的说明。
虽然本文重点介绍如何使用 MLflow 从自我管理的 MLflow 跟踪服务器迁移到 SageMaker，但 MLflow 导出导入工具提供了更广泛的实用性。您可以应用相同的方法将现有 SageMaker 托管 MLflow 跟踪服务器迁移到 SageMaker 上新的无服务器 MLflow 功能。该工具还有助于版本升级和建立灾难恢复的备份例程。
分步指南：使用 MLflow 跟踪服务器到 SageMaker 的迁移
图 1：使用 MLflow Export Import 工具的迁移过程
先决条件
要继续阅读本文，请确保您满足以下先决条件：
步骤 1：验证 MLflow 版本兼容性
在开始迁移之前，请记住，迁移过程中可能并不支持所有 MLflow 功能。 MLflow 导出导入工具根据您的 MLflow 版本支持不同的对象。为成功迁移做好准备：
pip install --upgrade mlflow=={supported_version}
第 2 步：创建新的 MLflow 应用程序
图 2：SageMaker Studio 控制台中的 MLflow 应用程序
pip install mlflow sagemaker-mlflow