Aufgabenspezifische Modelle

JumpStart unterstützt aufgabenspezifische Modelle für fünfzehn der gängigsten Problemtypen. Von den unterstützten Problemtypen sind insgesamt dreizehn Vision- und NLP-bezogen. Es gibt acht Problemtypen, die inkrementelles Training und Feinabstimmung unterstützen. Weitere Informationen zum inkrementellen Training und zur Hyperparameteroptimierung finden Sie unter Automatische Modelloptimierung. SageMaker JumpStart unterstützt außerdem vier beliebte Algorithmen für die tabellarische Datenmodellierung.

Sie können Modelle von der JumpStart Landingpage in Studio oder Studio Classic aus suchen und durchsuchen. Wenn Sie ein Modell auswählen, enthält die Modelldetailseite Informationen über das Modell. Zudem können Sie Ihr Modell in wenigen Schritten trainieren und bereitstellen. Im Beschreibungsabschnitt wird beschrieben, wie Sie das Modell nutzen können, welche Arten von Eingaben und Ausgaben zu erwarten sind und welcher Datentyp für die Optimierung Ihres Modells benötigt wird.

Sie können Modelle auch programmgesteuert mit dem SageMaker Python-SDK verwenden. Eine Liste aller verfügbaren Modelle finden Sie in der Tabelle mit JumpStartverfügbaren Modellen.

Die Liste der Problemtypen und Links zu ihren Beispiel-Jupyter-Notebooks sind in der folgenden Tabelle zusammengefasst.

Problemtypen	Unterstützt Inferenz mit vortrainierten Modellen	Mit einem benutzerdefinierten Datensatz trainierbar	Unterstützte Frameworks	Beispiel-Notebooks
Bildklassifizierung	Ja	Ja	PyTorch, TensorFlow	Einführung in die JumpStart Bildklassifizierung
Objekterkennung	Ja	Ja	PyTorch TensorFlow, MXNet	Einführung in die JumpStart Objekterkennung
Semantische Segmentierung	Ja	Ja	MXNet	Einführung in die JumpStart Semantische Segmentierung
Instance-Segmentierung	Ja	Ja	MXNet	Einführung in die JumpStart Instanzsegmentierung
Einbettung von Bildern	Ja	Nein	TensorFlow, MXNet	Einführung in das JumpStart Einbetten von Bildern
Textklassifizierung	Ja	Ja	TensorFlow	Einführung in die JumpStart Textklassifikation
Klassifizierung von Satzpaaren	Ja	Ja	TensorFlow, Hugging Face	Einführung in die Klassifikation von JumpStart Satzpaaren
Beantwortung von Fragen	Ja	Ja	PyTorch, Hugging Face	Einführung in JumpStart — Beantwortung von Fragen
Erkennung benannter Entitäten	Ja	Nein	Hugging Face	Einführung in JumpStart — Erkennung benannter Entitäten
Textzusammenfassung	Ja	Nein	Hugging Face	Einführung in JumpStart — Textzusammenfassung
Textgenerierung	Ja	Nein	Hugging Face	Einführung in JumpStart — Textgenerierung
Maschinelle Übersetzung	Ja	Nein	Hugging Face	Einführung in JumpStart — Maschinelle Übersetzung
Texteinbettung	Ja	Nein	TensorFlow, MXNet	Einführung in die JumpStart Texteinbettung
Tabellarische Klassifikation	Ja	Ja	LightGBM, XGBoost CatBoost, -Tabular, Linear Learner AutoGluon TabTransformer	Einführung in — Tabellarische Klassifikation — LightGBM, JumpStart CatBoost Einführung in JumpStart - Tabellarische Klassifikation - XGBoost, Linear Learner Einführung in — Tabellarische Klassifikation JumpStart — Lerner AutoGluon Einführung in JumpStart — Tabellarische Klassifikation — Lernende TabTransformer
Tabellarische Regression	Ja	Ja	LightGBM, XGBoost CatBoost, -Tabellarisch, Linearer Lerner AutoGluon TabTransformer	Einführung in — Tabellarische Regression — LightGBM, JumpStart CatBoost Einführung in JumpStart — Tabellarische Regression — XGBoost, Linear Learner Einführung in — Tabellarische Regression — JumpStart Lerner AutoGluon Einführung in JumpStart — Tabellarische Regression — Lernender TabTransformer

Warnung JavaScript ist in Ihrem Browser nicht verfügbar oder deaktiviert.

Zur Nutzung der AWS-Dokumentation muss JavaScript aktiviert sein. Weitere Informationen finden auf den Hilfe-Seiten Ihres Browsers.

Dokumentkonventionen

Studio Klassisch

Bereitstellen eines Modells