文件名称:amazon-sagemaker-mlflow-fargate:使用MLflow和Amazon SageMaker管理您的机器学习生命周期
文件大小:832KB
文件格式:ZIP
更新时间:2024-05-25 14:04:54
JupyterNotebook
使用MLflow和Amazon SageMaker管理您的机器学习生命周期 概述 在此存储库中,我们展示了如何在AWS Fargate上部署MLflow以及如何在使用ML项目期间使用它。 您将使用Amazon SageMaker开发,训练,调整和部署基于Scikit-Learn的ML模型(Random Forest),并使用MLflow跟踪实验运行和模型。 此实现显示了如何执行以下操作: 使用S3作为工件存储以及RDS和后端存储在AWS Fargate上托管无服务器MLflow服务器 使用MLflow在SageMaker上运行的跟踪实验运行 在MLflow模型注册表中注册在SageMaker中训练过的模型 将MLflow模型部署到SageMaker端点 MLflow跟踪服务器 您可以在ML项目期间设置*MLflow跟踪服务器。 通过使用此远程MLflow服务器,数据科学家将能够以协作
【文件预览】:
amazon-sagemaker-mlflow-fargate-main
----deploy_stack.sh(361B)
----.gitignore(2KB)
----media()
--------mlflow-interface.png(75KB)
--------architecture-experiments.png(523KB)
--------architecture-mlflow.png(423KB)
--------load-balancer.png(41KB)
----requirements.txt(208B)
----CONTRIBUTING.md(3KB)
----CODE_OF_CONDUCT.md(309B)
----LICENSE(927B)
----lab()
--------3_deploy_model.ipynb(5KB)
--------1_track_experiments.ipynb(4KB)
--------2_track_experiments_hpo.ipynb(5KB)
--------source_dir()
----README.md(6KB)
----container()
--------Dockerfile(318B)
----app.py(7KB)
----cdk.json(212B)