Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
Programmiermodell für Amazon SageMaker
APIAnrufe direkt aus dem Code heraus zu tätigen ist umständlich und erfordert, dass Sie Code schreiben, um Ihre Anfragen zu authentifizieren. Amazon SageMaker bietet die folgenden Alternativen:
-
Verwenden Sie die SageMaker Konsole — Mit der Konsole schreiben Sie keinen Code. Sie können die Modelltraining oder -bereitstellung über die Benutzeroberfläche der Konsole ausführen. Die Konsole eignet sich gut für einfache Aufträge, bei denen Sie einen integrierten Trainingsalgorithmus verwenden und keine Vorverarbeitung der Trainingsdaten erforderlich ist.
-
Modifizieren Sie das Beispiel für Jupyter-Notebooks — SageMaker bietet mehrere Jupyter-Notebooks, mit denen Modelle mithilfe bestimmter Algorithmen und Datensätze trainiert und bereitgestellt werden. Beginnen Sie mit einem Notebook, das einen geeigneten Algorithmus nutzt, und passen Sie es an Ihre Datenquelle und Ihre spezifischen Anforderungen an.
-
Schreiben Sie Modelltrainings- und Inferenzcode von Grund auf neu — SageMaker bietet mehrere AWS SDK Sprachen (in der Übersicht aufgeführt) und Amazon SageMaker Python SDK
, eine Python-Bibliothek auf hoher Ebene, die Sie in Ihrem Code verwenden können, um Modeltrainingsjobs zu starten und die resultierenden Modelle bereitzustellen. -
The SageMaker Python SDK — Diese Python-Bibliothek vereinfacht das Training und die Bereitstellung von Modellen. Die Bibliothek authentifiziert nicht nur Ihre Anforderungen, sondern bietet auch einfache Methoden und Standardparameter für die Abstraktion plattformspezifischer Merkmale. Beispielsweise:
-
Für die Bereitstellung Ihres Modells rufen Sie nur die
deploy()-Methode auf. Die Methode erstellt ein SageMaker Modellartefakt, eine Endpunktkonfiguration, und stellt das Modell dann auf einem Endpunkt bereit. -
Wenn Sie ein benutzerdefiniertes Framework-Skript für die Modelltraining einsetzen, rufen Sie die
fit()-Methode auf. Die Methode erstellt eine GZIP-Datei Ihres Skripts, lädt diese an einen Amazon S3-Speicherort hoch und führt das Skript anschließend für die Modelltraining und andere Aufgaben aus. Weitere Informationen finden Sie unter Frameworks und Sprachen für Machine Learning. -
Um Standardwerte für SageMaker API Aufrufe von SageMaker Python festzulegenSDK, verwenden Sie ein Standardkonfigurationswörterbuch. Weitere Informationen finden Sie unter Konfiguration und Verwendung von Standardeinstellungen mit SageMaker Python SDK
.
-
-
Die AWS SDKs — SDKs Sie stellen Methoden bereit, die dem entsprechen SageMaker API (siehe
Operations). Verwenden Sie denSDKs, um programmgesteuert einen Modelltrainingsjob zu starten und das Modell darin zu hosten. SageMaker SDKClients übernehmen die Authentifizierung für Sie, sodass Sie keinen Authentifizierungscode schreiben müssen. Sie sind in verschiedenen Sprachen und Plattformen verfügbar. Weitere Informationen finden Sie in der obigen Liste in der Übersicht.
In Leitfaden zur Einrichtung bei Amazon SageMaker trainieren und implementieren Sie ein Modell mithilfe eines Algorithmus, der von bereitgestellt wird SageMaker. Diese Übung veranschaulicht die Verwendung der beiden Bibliotheken. Weitere Informationen finden Sie unter Leitfaden zur Einrichtung bei Amazon SageMaker.
-
-
Integrieren Sie es SageMaker in Ihren Apache Spark-Workflow — SageMaker stellt eine Bibliothek bereit, mit der Sie es APIs von Apache Spark aus aufrufen können. Damit können Sie SageMaker basierte Schätzer in einer Apache Spark-Pipeline verwenden. Weitere Informationen finden Sie unter Apache Spark mit Amazon SageMaker.
