Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.
Puede usar la compile_model
nota
Debe establecer la variable de MMS_DEFAULT_RESPONSE_TIMEOUT entorno en 500 al compilar el modelo con MXNet o PyTorch. La variable de entorno no es necesaria para TensorFlow.
El siguiente es un ejemplo de cómo se puede compilar un modelo con el objeto trained_model_estimator:
# Replace the value of expected_trained_model_input below and
# specify the name & shape of the expected inputs for your trained model
# in json dictionary form
expected_trained_model_input = {'data':[1, 784]}
# Replace the example target_instance_family below to your preferred target_instance_family
compiled_model = trained_model_estimator.compile_model(target_instance_family='ml_c5',
input_shape=expected_trained_model_input,
output_path='insert s3 output path',
env={'MMS_DEFAULT_RESPONSE_TIMEOUT': '500'})El código compila el modelo, guarda el modelo optimizado y crea un modelo de SageMaker IA que se puede implementar en un punto final. output_path En la sección Cuadernos de ejemplo de compilación de modelos de Neo se proporcionan cuadernos de muestras sobre el uso del SDK para Python.
