View a markdown version of this page

Trainiere ein Modell mit Amazon SageMaker - Amazon SageMaker KI
Auswahl einer Funktion in Amazon SageMaker TrainingZusätzliche Optionen

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.

Trainiere ein Modell mit Amazon SageMaker

Amazon SageMaker Training ist ein vollständig verwalteter Service für maschinelles Lernen (ML) SageMaker , der Ihnen hilft, eine Vielzahl von ML-Modellen effizient und in großem Maßstab zu trainieren. Der Kern von SageMaker KI-Jobs ist die Containerisierung von ML-Workloads und die Fähigkeit, Rechenressourcen zu verwalten AWS . Die SageMaker Trainingsplattform kümmert sich um die schwere Arbeit, die mit der Einrichtung und Verwaltung der Infrastruktur für ML-Schulungsworkloads verbunden ist. Mit SageMaker Training können Sie sich auf die Entwicklung, das Training und die Feinabstimmung Ihres Modells konzentrieren. Auf dieser Seite werden drei empfohlene Methoden für den Einstieg in das Training eines Modells vorgestellt SageMaker, gefolgt von weiteren Optionen, die Sie in Betracht ziehen können.

Tipp

Informationen zu den Trainingsgrundlagenmodellen für Generative KI finden Sie unter Verwenden SageMaker JumpStart von Basismodellen in Amazon SageMaker Studio.

Auswahl einer Funktion in Amazon SageMaker Training

Es gibt drei Hauptanwendungsfälle für das Training von ML-Modellen innerhalb der SageMaker KI. In diesem Abschnitt werden diese Anwendungsfälle sowie die SageMaker KI-Funktionen beschrieben, die wir für jeden Anwendungsfall empfehlen.

Ganz gleich, ob Sie komplexe Deep-Learning-Modelle trainieren oder kleinere Algorithmen für maschinelles Lernen implementieren, SageMaker Training bietet optimierte und kostengünstige Lösungen, die die Anforderungen Ihrer Anwendungsfälle erfüllen.

Anwendungsfälle

Im Folgenden sind die wichtigsten Anwendungsfälle für das Training von ML-Modellen innerhalb der SageMaker KI aufgeführt.

  • Anwendungsfall 1: Entwickeln eines Machine-Learning-Modells in einer Low-Code- oder No-Code-Umgebung

  • Anwendungsfall 2: Verwenden von Code, um Machine-Learning-Modelle mit mehr Flexibilität und Kontrolle zu entwickeln

  • Anwendungsfall 3: Entwickeln von Machine-Learning-Modellen in großem Maßstab mit mehr Flexibilität und Kontrolle

In der folgenden Tabelle werden drei gängige Szenarien für das Training von ML-Modellen und die entsprechenden Optionen für den Einstieg in das SageMaker Training beschrieben.

Deskriptor Anwendungsfall 1 Anwendungsfall 2 Anwendungsfall 3
SageMaker KI-Funktion Erstellen Sie ein Modell mit Amazon SageMaker Canvas. Trainieren Sie ein Modell mit einem der in SageMaker KI integrierten ML-Algorithmen wie XGBoost oder Task-Specific Models by SageMaker JumpStart with the SageMaker Python SDK. Trainieren Sie ein Modell im großen Maßstab mit maximaler Flexibilität, indem Sie den Skriptmodus oder benutzerdefinierte Container in KI nutzen. SageMaker
Description Bringen Sie Ihre Daten mit. SageMaker KI hilft bei der Erstellung von ML-Modellen und beim Einrichten der Trainingsinfrastruktur und der Ressourcen.

Bringen Sie Ihre Daten mit und wählen Sie einen der integrierten ML-Algorithmen, die von SageMaker KI bereitgestellt werden. Richten Sie mithilfe des SageMaker Python-SDK die Modell-Hyperparameter, Ausgabemetriken und grundlegenden Infrastruktureinstellungen ein. Die SageMaker Trainingsplattform hilft bei der Bereitstellung der Trainingsinfrastruktur und der Ressourcen.

Entwickeln Sie Ihren eigenen ML-Code und bringen Sie ihn als Skript oder als Satz von Skripten in die SageMaker KI ein. Weitere Informationen finden Sie unter Verteiltes Rechnen mit SageMaker bewährten Methoden. Darüber hinaus können Sie Ihren eigenen Docker-Container verwenden. Die SageMaker Trainingsplattform hilft bei der Bereitstellung der Trainingsinfrastruktur und der Ressourcen in großem Umfang auf der Grundlage Ihrer benutzerdefinierten Einstellungen.
Optimiert für

Low/no-code und UI-driven Modellentwicklung mit schnellem Experimentieren mit einem Trainingsdatensatz. Wenn Sie ein benutzerdefiniertes Modell erstellen, wird automatisch ein Algorithmus auf der Grundlage Ihrer Daten ausgewählt. Erweiterte Anpassungsoptionen wie die Auswahl von Algorithmen finden Sie unter Konfigurationen für erweiterte Modellerstellung.

Training von ML-Modellen mit umfassender Anpassung für Hyperparameter und Infrastruktureinstellungen und der Möglichkeit, ML-Frameworks und Einstiegsskripte für mehr Flexibilität direkt zu verwenden. Verwenden Sie integrierte Algorithmen, vortrainierte Modelle und JumpStart Modelle über das Amazon SageMaker Python SDK, um ML-Modelle zu entwickeln. Weitere Informationen finden Sie unter Low-code Bereitstellung mit der JumpStart Klasse.

Workloads für ML-Trainings in großem Maßstab, die mehrere Instances und maximale Flexibilität erfordern. Weitere Informationen finden Sie unter Verteiltes Rechnen mit SageMaker bewährten Methoden. SageMaker KI verwendet Docker-Images, um das Training und die Bereitstellung aller Modelle zu hosten. Sie können jede SageMaker KI oder externe Algorithmen verwenden und Docker-Container verwenden, um Modelle zu erstellen.

Überlegungen

Minimale Flexibilität bei der Anpassung des von Amazon SageMaker Canvas bereitgestellten Modells.

Das SageMaker Python-SDK bietet im Vergleich zur SageMaker Low-Level-Training-API eine vereinfachte Oberfläche und weniger Konfigurationsoptionen.

Erfordert Kenntnisse der AWS Infrastruktur und der verteilten Trainingsoptionen. Siehe auch Erstellen Sie Ihren eigenen Schulungscontainer mithilfe des SageMaker Schulungs-Toolkits.
Empfohlene Umgebung Verwenden Sie Amazon SageMaker Canvas. Wie Sie es einrichten, erfahren Sie unter Erste Schritte mit SageMaker Canvas. Verwenden Sie SageMaker KI JupyterLab in Amazon SageMaker Studio. Informationen zur Einrichtung finden Sie unter Amazon SageMaker Studio starten. SageMaker JupyterLabIn Amazon SageMaker Studio verwenden. Informationen zur Einrichtung finden Sie unter Amazon SageMaker Studio starten.

Zusätzliche Optionen

SageMaker KI bietet die folgenden zusätzlichen Optionen für das Training von ML-Modellen.

SageMaker KI-Funktionen, die Trainingsmöglichkeiten bieten

  • SageMaker JumpStart: SageMaker JumpStart bietet Zugriff auf den SageMaker KI-Hub für öffentliche Modelle, der die neuesten öffentlich verfügbaren und proprietären Foundation-Modelle (FMs) enthält. Sie können diese Modelle in Amazon SageMaker Studio optimieren, evaluieren und bereitstellen. SageMaker JumpStart optimiert den Prozess der Nutzung von Basismodellen für Ihre generativen KI-Anwendungsfälle und ermöglicht es Ihnen, private Modell-Hubs zur Verwendung von Foundation-Modellen zu erstellen und gleichzeitig die Richtlinien der Unternehmensführung durchzusetzen und sicherzustellen, dass Ihre Organisation nur auf genehmigte Modelle zugreifen kann. Informationen zu den ersten Schritten finden Sie unter Foundation-Modelle. SageMaker JumpStart SageMaker JumpStart

  • SageMaker HyperPod: SageMaker HyperPod ist ein persistenter Cluster-Service für Anwendungsfälle, die robuste Cluster für massive Workloads im Bereich maschinelles Lernen (ML) und die Entwicklung modernster Foundation-Modelle (FMs) benötigen. Er beschleunigt die Entwicklung solcher Modelle, da undifferenzierter Aufwand beim Aufbau und der Wartung umfangreicher Rechencluster entfällt, die von Tausenden von Beschleunigern wie AWS Trainium oder NVIDIA A100 und H100 Graphical Processing Units (GPUs) angetrieben werden. Sie können Workload-Manager-Software wie Slurm on verwenden. HyperPod

Weitere Funktionen von Training SageMaker