使用部署 MLflow 模型 ModelBuilder - Amazon SageMaker AI

在中不需要 ARN 的模型路徑 `model_metadata`

下列模型路徑不需要您在部署 model_metadata 的中指定 ARN：

本機模型路徑： /Users/me/path/to/local/model
Amazon S3 模型路徑： s3://amzn-s3-demo-bucket/path/to/model
模型套件 ARN： arn:aws:sagemaker:region:account-id:mlflow-tracking-server/tracking-server-name

如需 MLflow 模型部署如何與 Amazon SageMaker AI 搭配使用的詳細資訊，請參閱 MLflow 文件中的將 MLflow 模型部署到 Amazon SageMaker AI 。 MLflow

如果使用 Amazon S3 路徑，您可以使用下列命令找到已註冊模型的路徑：


registered_model = client.get_registered_model(name='AutoRegisteredModel')
source_path = registered_model.latest_versions[0].source

以下範例概述如何使用 ModelBuilder 和 MLflow 模型登錄路徑部署 MLflow 模型。由於此範例以 MLflow 模型登錄檔路徑的形式提供模型成品路徑，因此對的呼叫 ModelBuilder 也必須透過 model_metadata["MLFLOW_TRACKING_ARN"] 屬性指定追蹤伺服器 ARN。

重要

您必須使用 2.224.0 版或更新版本的 SageMaker Python SDK，才能使用 ModelBuilder 。

注意

使用下列程式碼範例做為參考。如需示範如何部署已註冊 MLflow 模型的end-to-end範例，請參閱使用範例 Jupyter 筆記本的 MLflow 教學課程。


from sagemaker.serve import ModelBuilder
from sagemaker.serve.mode.function_pointers import Mode
from sagemaker.serve import SchemaBuilder
my_schema = SchemaBuilder(
    sample_input=sample_input, 
    sample_output=sample_output
model_builder = ModelBuilder(
    mode=Mode.SAGEMAKER_ENDPOINT,
    schema_builder=my_schema,
    role_arn="Your-service-role-ARN",
    model_metadata={
        # both model path and tracking server ARN are required if you use an mlflow run ID or mlflow model registry path as input
        "MLFLOW_MODEL_PATH": "models:/sklearn-model/1"
        "MLFLOW_TRACKING_ARN": "arn:aws:sagemaker:region:account-id:mlflow-tracking-server/tracking-server-name"
model = model_builder.build()

在 中不需要 ARN 的模型路徑 model_metadata

重要

注意

在中不需要 ARN 的模型路徑 `model_metadata`