Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
# Enregistrez automatiquement les modèles d' SageMaker IA avec SageMaker Model Registry
Vous pouvez enregistrer les modèles MLflow et les enregistrer automatiquement dans SageMaker Model Registry à l'aide du SDK Python ou directement via l'interface utilisateur de MLflow.
**Note**
N’utilisez pas d’espaces dans le nom du modèle. Alors que MLflow prend en charge les noms de modèles avec des espaces, SageMaker AI Model Package ne le fait pas. Le processus d’enregistrement automatique échoue si vous utilisez des espaces dans le nom de votre modèle.
## Enregistrez des modèles à l'aide du SDK SageMaker Python
`create_registered_model`Utilisez-le dans votre client MLflow pour créer automatiquement un groupe de packages de modèles dans SageMaker AI qui correspond à un modèle MLflow existant de votre choix.
```
import mlflow
from mlflow import MlflowClient
mlflow.set_tracking_uri({{arn}})
client = MlflowClient()
mlflow_model_name = {{'AutoRegisteredModel'}}
client.create_registered_model(mlflow_model_name, tags={{{"key1"}}: {{"value1"}}})
```
`mlflow.register_model()`À utiliser pour enregistrer automatiquement un SageMaker modèle dans le registre des modèles pendant l'entraînement des modèles. Lors de l'enregistrement du modèle MLflow, un groupe de packages de modèles et une version de package de modèles correspondants sont créés dans SageMaker AI.
```
import mlflow.sklearn
from mlflow.models import infer_signature
from sklearn.datasets import make_regression
from sklearn.ensemble import RandomForestRegressor
mlflow.set_tracking_uri(arn)
params = {"n_estimators": 3, "random_state": 42}
X, y = make_regression(n_features=4, n_informative=2, random_state=0, shuffle=False)
# Log MLflow entities
with mlflow.start_run() as run:
rfr = RandomForestRegressor(**params).fit(X, y)
signature = infer_signature(X, rfr.predict(X))
mlflow.log_params(params)
mlflow.sklearn.log_model(rfr, artifact_path="sklearn-model", signature=signature)
model_uri = f"runs:/{run.info.run_id}/sklearn-model"
mv = mlflow.register_model(model_uri, "RandomForestRegressionModel")
print(f"Name: {mv.name}")
print(f"Version: {mv.version}")
```
## Enregistrement de modèles à l’aide de l’interface utilisateur MLflow
Vous pouvez également enregistrer un modèle dans le registre des SageMaker modèles directement dans l'interface utilisateur de MLflow. Dans le menu **Modèles** de l’interface utilisateur MLflow, choisissez **Créer un modèle**. Tous les modèles nouvellement créés de cette manière sont ajoutés au registre des SageMaker modèles.
Après avoir journalisé un modèle pendant le suivi des expériences, accédez à la page d’exécution dans l’interface utilisateur MLflow. Choisissez le volet **Artifacts** et choisissez **Enregistrer le modèle** dans le coin supérieur droit pour enregistrer la version du modèle à la fois dans MLflow et SageMaker Model Registry.
## Affichage des modèles enregistrés dans Studio
Sur la page d'accueil de SageMaker Studio, choisissez **Modèles** dans le volet de navigation de gauche pour afficher vos modèles enregistrés. Pour plus d'informations sur la prise en main de Studio, consultez [Lancer Amazon SageMaker Studio](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-updated-launch.html).
