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.
Modèles spécifiques aux tâches
JumpStart prend en charge des modèles spécifiques aux tâches pour 15 des types de problèmes les plus courants. Parmi les types de problèmes pris en charge, Vision et les NLP types connexes sont au total treize. Il existe huit types de problèmes qui permettent un entraînement progressif et un réglage fin. Pour plus d'informations sur l'entraînement incrémentiel et le réglage des hyperparamètres, consultez la section Réglage SageMaker automatique du modèle. JumpStart prend également en charge quatre algorithmes populaires pour la modélisation des données tabulaires.
Vous pouvez rechercher et parcourir les modèles depuis la page JumpStart d'accueil dans Studio ou Studio Classic. Lorsque vous sélectionnez un modèle, la page de détails du modèle fournit des informations sur le modèle et vous pouvez entraîner et déployer votre modèle en quelques étapes. La section de description décrit ce que vous pouvez faire avec le modèle, les types d'entrées et de sorties attendus, et le type de données nécessaire pour affiner votre modèle.
Vous pouvez également utiliser des modèles par programmation avec le PythonSageMaker . SDK
La liste des types de problèmes et les liens vers leurs exemples de bloc-notes Jupyter sont résumés dans le tableau suivant.
| Types de problèmes | Prise en charge de l'inférence avec des modèles pré-entraînés | Entraînable sur un jeu de données personnalisé | Cadres pris en charge | Exemples de blocs-notes |
|---|---|---|---|---|
| Classification d’images | Oui | Oui |
PyTorch, TensorFlow |
|
| Détection d'objets | Oui | Oui | PyTorch, TensorFlow, MXNet | |
| Segmentation sémantique | Oui | Oui | MXNet | |
| Segmentation d'instances | Oui | Oui | MXNet | |
| Intégration d'images | Oui | Non | TensorFlow, MXNet | |
| Classification de texte | Oui | Oui | TensorFlow | |
| Classification des paires de phrases | Oui | Oui | TensorFlow, Hugging Face |
Introduction à la JumpStart classification par paires de phrases |
| Réponse aux questions | Oui | Oui | PyTorch, Hugging Face | |
| Reconnaissance des entités nommées (NER) | Oui | Non | Hugging Face |
Introduction à la JumpStart reconnaissance des entités nommées |
| Synthèse de texte | Oui | Non | Hugging Face | |
| Génération de texte | Oui | Non | Hugging Face | |
| Algorithme de traduction | Oui | Non | Hugging Face | |
| Intégration de texte | Oui | Non | TensorFlow, MXNet | |
| Classification tabulaire | Oui | Oui | GBMApprenant léger CatBoostXGBoost,, AutoGluon tabulaire TabTransformer, linéaire |
Introduction à la JumpStart classification tabulaire légèreGBM, CatBoost Présentation de JumpStart - Classification tabulaire -XGBoost, Linear Learner Introduction à la JumpStart classification tabulaire - Apprenant AutoGluon Introduction à la JumpStart classification tabulaire - Apprenant TabTransformer |
| Régression tabulaire | Oui | Oui | GBMApprenant léger CatBoostXGBoost,, AutoGluon tabulaire TabTransformer, linéaire |
Introduction à la JumpStart régression tabulaire - GBM Légère, CatBoost Introduction à JumpStart — Régression tabulaire -XGBoost, Linear Learner Introduction à la JumpStart régression tabulaire - Learner AutoGluon Introduction à la JumpStart régression tabulaire - Learner TabTransformer |
