Memecahkan masalah dengan pemberian izin melalui konsol SageMaker Memecahkan masalah dengan membuat aplikasi Canvas karena kegagalan ruang Keterbatasan untuk kolaborasi Keterbatasan untuk membawa model Anda sendiri (BYOM)

Keterbatasan dan pemecahan masalah

Bagian berikut menguraikan bantuan pemecahan masalah dan batasan yang berlaku saat menggunakan Amazon Canvas. SageMaker Anda dapat menggunakan topik ini untuk membantu memecahkan masalah apa pun yang Anda temui.

Memecahkan masalah dengan pemberian izin melalui konsol SageMaker

Jika Anda mengalami masalah dalam memberikan izin dasar Canvas atau izin Ready-to-use model kepada pengguna Anda, pengguna Anda mungkin memiliki peran AWS IAM eksekusi dengan lebih dari satu hubungan kepercayaan dengan layanan lain. AWS Hubungan kepercayaan adalah kebijakan yang melekat pada peran Anda yang menentukan prinsip mana (pengguna, peran, akun, atau layanan) yang dapat mengambil peran tersebut. Misalnya, Anda mungkin mengalami masalah saat memberikan izin Canvas tambahan kepada pengguna jika peran eksekusi mereka memiliki hubungan kepercayaan dengan Amazon SageMaker dan Amazon Forecast.

Anda dapat memperbaiki masalah ini dengan memilih salah satu opsi berikut.

1. Hapus semua kecuali satu layanan tepercaya dari peran.

Solusi ini mengharuskan Anda untuk mengedit hubungan kepercayaan untuk IAM peran profil pengguna Anda dan menghapus semua AWS layanan kecuali SageMaker.

Untuk mengedit hubungan kepercayaan untuk peran IAM eksekusi Anda, lakukan hal berikut:

Pergi ke IAM konsol di https://console.aws.amazon.com/iam/.
Di panel navigasi IAM konsol, pilih Peran. Konsol tersebut menampilkan peran di akun Anda.
Pilih nama peran yang ingin Anda ubah, dan pilih tab Hubungan kepercayaan pada halaman detail.
Pilih Edit kebijakan kepercayaan.

Di editor kebijakan Edit kepercayaan, tempel yang berikut ini, lalu pilih Perbarui Kebijakan.


{
    "Version": "2012-10-17",
    "Statement": [
        {
            "Effect": "Allow",
            "Principal": {
                "Service": [
                    "sagemaker.amazonaws.com"
                ]
            },
            "Action": "sts:AssumeRole"
        }
    ]
}

Anda juga dapat memperbarui dokumen kebijakan ini menggunakan IAMCLI. Untuk informasi selengkapnya, lihat perbarui kepercayaan di Referensi Baris IAMPerintah.

Sekarang Anda dapat mencoba lagi memberikan izin dasar Canvas atau izin Ready-to-use model kepada pengguna Anda.

2. Gunakan peran yang berbeda dengan satu atau lebih sedikit layanan tepercaya.

Solusi ini mengharuskan Anda untuk menentukan IAM peran yang berbeda untuk profil pengguna Anda. Gunakan opsi ini jika Anda sudah memiliki IAM peran yang dapat Anda ganti.

Untuk menentukan peran eksekusi yang berbeda bagi pengguna Anda, lakukan hal berikut:

Buka SageMaker konsol Amazon di https://console.aws.amazon.com/sagemaker/.
Di panel navigasi kiri, pilih Konfigurasi admin.
Di bawah konfigurasi Admin, pilih domain.
Dari daftar domain, pilih domain yang ingin Anda lihat daftar profil pengguna.
Pada halaman detail domain, pilih tab Profil pengguna.
Pilih pengguna yang izinnya ingin Anda edit. Pada halaman Detail pengguna, pilih Edit.
Pada halaman Pengaturan umum, pilih daftar tarik-turun peran Eksekusi dan pilih peran yang ingin Anda gunakan.
Pilih Kirim untuk menyimpan perubahan Anda ke profil pengguna.

Pengguna Anda sekarang harus menggunakan peran eksekusi dengan hanya satu layanan tepercaya (SageMaker).

Anda dapat mencoba lagi memberikan izin dasar Canvas atau izin Ready-to-use model kepada pengguna Anda.

3. Lampirkan kebijakan AWS terkelola secara manual ke peran eksekusi alih-alih menggunakan sakelar di setelan SageMaker domain.

Alih-alih menggunakan sakelar di setelan domain atau profil pengguna, Anda dapat melampirkan kebijakan AWS terkelola secara manual yang memberikan izin yang benar kepada pengguna.

Untuk memberikan izin dasar Canvas pengguna, lampirkan AmazonSageMakerCanvasFullAccesskebijakan. Untuk memberikan izin Ready-to-use model pengguna, lampirkan AmazonSageMakerCanvasAIServicesAccesskebijakan.

Gunakan prosedur berikut untuk melampirkan kebijakan AWS terkelola ke peran Anda:

Pergi ke IAM konsol di https://console.aws.amazon.com/iam/.
Pilih Peran.
Di kotak pencarian, cari IAM peran pengguna berdasarkan nama dan pilih.
Pada halaman untuk peran pengguna, di bawah Izin, pilih Tambahkan izin.
Dari menu tarik-turun, pilih Lampirkan kebijakan.
Cari dan pilih kebijakan atau kebijakan yang ingin dilampirkan ke peran eksekusi pengguna:
1. Untuk memberikan izin dasar Canvas, cari dan pilih AmazonSageMakerCanvasFullAccesskebijakan.
2. Untuk memberikan izin Ready-to-use model, cari dan pilih AmazonSageMakerCanvasAIServicesAccesskebijakan.
Pilih Tambahkan izin untuk melampirkan kebijakan ke peran.

Setelah melampirkan kebijakan AWS terkelola ke peran pengguna melalui IAM konsol, pengguna Anda sekarang harus memiliki izin dasar Canvas atau izin Ready-to-use model.

Memecahkan masalah dengan membuat aplikasi Canvas karena kegagalan ruang

Saat membuat aplikasi Canvas baru, jika Anda menemukan kesalahan yang menyatakanUnable to create app <app-arn> because space <space-arn> is not in InService state, ini menunjukkan bahwa pembuatan ruang Amazon SageMaker Studio yang mendasarinya telah gagal. Ruang Studio adalah penyimpanan dasar yang menampung data aplikasi Canvas Anda. Untuk informasi lebih umum tentang ruang Studio, lihatRuang Amazon SageMaker Studio. Untuk informasi selengkapnya tentang mengonfigurasi spasi di Canvas, lihatSimpan data aplikasi SageMaker Canvas di SageMaker ruang Anda sendiri.

Untuk menentukan akar penyebab mengapa pembuatan ruang gagal, Anda dapat menggunakan DescribeSpaceAPIuntuk memeriksa FailureReason bidang. Untuk informasi lebih lanjut tentang kemungkinan status spasi dan apa artinya, lihatEntitas dan status SageMaker domain Amazon.

Untuk mengatasi masalah ini, temukan domain Anda di SageMaker konsol dan hapus ruang gagal yang tercantum dalam pesan kesalahan yang Anda terima. Untuk langkah-langkah mendetail tentang cara menemukan dan menghapus spasi, lihat halaman Menghapus atau menghentikan instans, aplikasi, dan spasi Studio yang sedang berjalan dan ikuti petunjuk untuk Menghapus ruang Studio. Menghapus ruang juga menghapus aplikasi apa pun yang terkait dengan ruang. Setelah menghapus spasi, Anda dapat mencoba membuat aplikasi Canvas Anda lagi. Ruang sekarang harus berhasil disediakan, memungkinkan Canvas untuk diluncurkan.

Keterbatasan untuk kolaborasi

Keterbatasan umum berikut berlaku saat Anda berkolaborasi dengan ilmuwan data di Amazon SageMaker Studio Classic.

Anda hanya dapat berbagi model yang berhasil dilatih dari Canvas ke Studio Classic. Demikian pula, Anda hanya dapat berbagi model yang telah berhasil dilatih di Studio Classic kembali ke Canvas.
Anda tidak dapat membagikan model Quick build dari Canvas ke Studio Classic. Anda hanya dapat berbagi model build Standar.
Anda hanya dapat membagikan satu versi model build Standar yang dilatih di Canvas. Anda dapat melatih versi tambahan model Anda dalam Canvas, tetapi Anda tidak dapat membagikannya ke Studio Classic.
Dari Studio Classic, Anda hanya dapat berbagi umpan balik atau berbagi model yang diperbarui dengan Canvas. Anda tidak dapat melakukan kedua tindakan pada saat yang sama.
Batasan panjang untuk komentar yang dibagikan dari Studio Classic ke Canvas dan Canvas ke Studio Classic adalah 1024 karakter.
Anda hanya dapat membagikan model Canvas atau Studio Classic Anda dengan profil pengguna yang berbeda. Anda tidak dapat berbagi model antara Canvas dan Studio Classic dalam profil pengguna Anda sendiri.
Anda tidak dapat berbagi dari pengguna Canvas ke pengguna Canvas, atau dari pengguna Studio Classic ke pengguna Studio Classic.

Ada juga batasan yang berlaku tergantung pada jenis model yang ingin Anda bagikan. Lihat bagian berikut untuk batasan model peramalan deret waktu dan model prediksi numerik dan kategoris.

Keterbatasan untuk berkolaborasi pada model peramalan deret waktu

Batasan berikut berlaku saat Anda berkolaborasi pada model peramalan deret waktu antara Canvas dan Studio Classic.

Anda tidak dapat membuat prediksi dengan model peramalan deret waktu di Studio Classic melalui tombol Bagikan otomatis. Namun, Anda dapat membuat buku catatan Jupyter dan menulis kode Anda sendiri.
Untuk model peramalan deret waktu, Anda tidak dapat mengubah resep model atau transformasi data di Studio Classic. Anda hanya dapat melakukan pembaruan berikut untuk model peramalan deret waktu di Studio Classic:
- Anda dapat memperbarui panjang cakrawala perkiraan.
- Anda dapat memperbarui bidang metadata item, yang mengelompokkan data Anda berdasarkan kolom tertentu.
- Anda dapat memperbarui bidang dimensi lainnya, seperti menentukan jadwal liburan.

Keterbatasan untuk berkolaborasi pada model prediksi numerik dan kategoris

Batasan berikut berlaku saat Anda berkolaborasi pada jenis model prediksi numerik dan kategoris antara Canvas dan Studio Classic.

Saat memperbarui atau melatih model di Studio Classic, jika Anda menutup tab dengan spanduk kolaborasi di bagian atas, itu mengakhiri alur kerja model berbagi dan Anda kehilangan kemajuan. Dalam hal ini, Anda harus memulai ulang alur kerja model berbagi dari bagian Shared With Me di halaman Model Bersama. Untuk informasi selengkapnya, lihat Berkolaborasi dengan ilmuwan data.
Saat memperbarui model di Studio Classic, Anda tidak dapat mengubah kolom target jika ingin membagikan pembaruan model kembali ke Canvas. Jika Anda ingin mengubah kolom target dan melatih kembali model, latih model dan kemudian gunakan tombol Bagikan untuk berbagi ke Canvas. Untuk informasi selengkapnya tentang berbagi model baru ke Canvas, lihat Membawa model Anda sendiri ke SageMaker Canvas.
Saat memperbarui model di antarmuka Amazon SageMaker Data Wrangler Recipe di Studio Classic, ada batasan perubahan yang dapat diterapkan pengguna Studio Classic yang didukung Canvas:
- Anda hanya dapat membagikan model ke Canvas yang telah dilatih dari node terakhir dalam aliran data linier Data Wrangler.
- Hanya node transformasi yang didukung.
- Anda tidak dapat melakukan operasi pada kolom Target.
- Anda tidak dapat memperbarui tipe data kolom.
- Anda tidak dapat memperbarui sumber data atau menambahkan sumber data baru.
Saat membagikan kandidat alternatif ke Canvas dari halaman Studio Classic Autopilot, Anda tidak dapat memilih model dari papan peringkat. Anda harus memilih model bersama dari spanduk dan kemudian memilih alternatif dari daftar. Untuk informasi selengkapnya, lihat Berbagi model alternatif dengan pengguna Canvas di dokumentasi Canvas.
Hanya model yang kompatibel dengan SageMaker Neo yang dapat dibagikan kembali ke Canvas dengan sukses. Model yang kompatibel adalah model Autopilot yang menggunakan XGBoost atau algoritma. MLP Model yang tidak kompatibel termasuk model Autopilot yang menggunakan algoritma pembelajar linier.
Untuk transformasi formula khusus menggunakan SparkSQL, Canvas hanya mendukung operasi Unary, fungsi Agregat, operasi penggabungan String, dan operasi Power. Operasi lain tidak didukung.

Keterbatasan untuk membawa model Anda sendiri (BYOM)

Keterbatasan umum berikut berlaku ketika Anda ingin membawa model Anda sendiri ke SageMaker Canvas.

Saat model dibagikan dari Studio Classic ke Canvas, pengguna Canvas tidak dapat memperbarui atau melihat detail pada kumpulan data yang digunakan untuk membuat model.
Saat pengguna Canvas ingin menjalankan prediksi tunggal pada model yang diimpor, tidak ada batasan tipe data saat memperbarui nilai kolom. Anda harus memastikan secara manual bahwa saat memperbarui nilai untuk prediksi tunggal, Anda mencocokkan tipe data dari nilai yang ada.
Ketika pengguna Canvas ingin menjalankan prediksi batch pada model yang diimpor, Canvas mengasumsikan bahwa Anda (pengguna Canvas) tahu seperti apa dataset input yang diharapkan. Anda harus memiliki kumpulan data dengan kolom dan tipe data yang cocok dengan kumpulan data yang digunakan untuk melatih model. Jika tidak, konsultasikan dengan pengguna yang membagikan model dengan Anda dan impor kumpulan data yang dapat Anda gunakan untuk menjalankan prediksi batch.
Aplikasi Canvas secara internal menggunakan titik akhir tanpa server untuk menjalankan prediksi dan menghasilkan metrik model. Model yang dibagikan ke Canvas harus kompatibel dengan titik akhir tanpa server:
- Ukuran memori maksimum adalah 6144 MB.
- Saat mengonfigurasi kunci respons input inferensi dalam wadah Anda, gunakan konfigurasi berikut:
```
INFERENCE_INPUT_RESPONSE_KEYS = {
 "BINARY": ["predicted_label", "probability"],
 "MULTI_CLASS": ["predicted_label", "probability", "probabilities", "labels"],
}
```
- Anda dapat memilih wadah inferensi SageMaker yang disediakan atau membawa wadah inferensi gambar Anda sendiri untuk digunakan untuk titik akhir. SageMaker menyediakan wadah untuk algoritme bawaan dan gambar Docker bawaan untuk beberapa kerangka kerja pembelajaran mesin yang paling umum. Jika Anda membawa wadah Anda sendiri, Anda harus memodifikasinya agar dapat digunakan SageMaker. Untuk informasi selengkapnya tentang membawa wadah Anda sendiri, lihat Mengadaptasi Wadah Inferensi Anda Sendiri.
- Pengecualian Fitur untuk titik akhir tanpa server juga berlaku.

Agar berhasil membagikan model dari Studio Classic ke Canvas, Canvas menerima output inferensi model dalam format di bawah ini:

TEXT/CSV

Regresi: Respons inferensi model harus berupa string byte di mana setiap prediksi output dipisahkan oleh: \n
```
b'-0.0007884334772825241\n-0.015136942267417908\n0.050063662230968475\n0.02891816757619381\n'
```

Klasifikasi: Respon inferensi model harus berupa string byte di mana masing-masingpredicted_label,predicted_probability,probabilities, dan labels dipisahkan oleh\n. Contoh berikut adalah untuk klasifikasi biner:


b'no,0.9967488050460815,"[0.9967488050460815, 0.003251201706007123]","[\'no\', \'yes\']"\nno,0.9999420642852783,"[0.9999420642852783, 5.793538366560824e-05]","[\'no\', \'yes\']"\nno,0.9999846816062927,"[0.9999846816062927, 1.5326571883633733e-05]","[\'no\', \'yes\']"\nno,0.9999727606773376,"[0.9999727606773376, 2.7267418772680685e-05]","[\'no\', \'yes\']"\n'

Contoh berikut adalah untuk klasifikasi multi-kelas:


b'Iris-setosa,1.0,"[1.0, 0.0, 0.0]","[\'Iris-setosa\', \'Iris-versicolor\', \'Iris-virginica\']"\nIris-setosa,1.0,"[1.0, 0.0, 0.0]","[\'Iris-setosa\', \'Iris-versicolor\', \'Iris-virginica\']"\nIris-setosa,1.0,"[1.0, 0.0, 0.0]","[\'Iris-setosa\', \'Iris-versicolor\', \'Iris-virginica\']"\nIris-setosa,1.0,"[1.0, 0.0, 0.0]","[\'Iris-setosa\', \'Iris-versicolor\', \'Iris-virginica\']"\n'

APPLICATION/JSON

Regresi: Respon inferensi model harus berupa JSON string yang berisi prediction kunci, dan nilainya harus berupa daftar prediksi keluaran:


let response = {
    "predictions": [ 
        // First instance prediction. 
        1.75 
        // Second instance prediction.
        3.25 
    ]
}

Klasifikasi: Respon inferensi model harus berupa JSON string yang berisi probabilities kunci, dan nilainya harus menjadi daftar probabilitas.

Contoh berikut adalah untuk klasifikasi biner:


let response = {
    "probabilities": [ 
        // First instance prediction. 
        [0.9, 0.1]
        // Second instance prediction.
        [0.2, 0.8]
    ]
}

Contoh berikut adalah untuk klasifikasi multi-kelas:


let response = {
    "probabilities": [ 
        // First instance prediction. 
        [0.7, 0.2, 0.1]
        // Second instance prediction.
        [0.2, 0.5, 0.3]
    ]
}

Ada juga batasan yang berlaku tergantung pada jenis model yang ingin Anda bawa:

Bawa model Anda sendiri dari JumpStart

Tinjau informasi dan batasan berikut saat berbagi JumpStart model dengan Canvas.

Berikut ini adalah algoritma yang didukung yang dapat Anda impor model ke Canvas. Untuk detail selengkapnya, lihat Dokumentasi JumpStart .
- Klasifikasi tabel: CahayaGBM,,, AutoGluon -Tabular CatBoostXGBoost,, Linear Learner TabTransformer
- Regresi tabel: CahayaGBM,,, AutoGluon -Tabular, CatBoostXGBoost, Pembelajar Linier TabTransformer
Di JumpStart, tombol Bagikan hanya dihidupkan jika model siap dibagikan ke Canvas. Jika model terlatih Anda tidak memiliki tombol Bagikan ke SageMaker Kanvas, model Anda tidak didukungBYOM.
Anda harus memberikan kumpulan data pelatihan dan validasi saat melatih model. JumpStart Kumpulan data harus disimpan di Amazon S3, dan peran eksekusi pengguna Studio Classic dan Canvas Anda harus memiliki akses ke lokasi Amazon S3. Anda dapat menggunakan Amazon S3 yang sama URIs untuk berbagi kumpulan data pelatihan dan validasi dengan Canvas, atau Anda dapat berbagi kumpulan data yang berbeda dengan skema data yang sama.

File data pelatihan atau validasi Anda akan terlihat seperti berikut (dalam CSV format). Anda harus mengindeks file Anda dengan kolom pertama sebagai target.
```
3	1	22	1	1	0	4	4
0	0	38	0	0	1	3	4
1	0	67	0	1	0	1	6
1	0	67	0	0	2	2	6
0	0	40	0	0	2	6	6
2	0	56	1	0	1	2	6
```
Secara default, JumpStart gunakan kolom pertama dari kumpulan data pelatihan dan validasi sebagai target saat melatih model. Kolom target (atau secara default, kolom pertama) dari kumpulan data dibagikan ke Canvas.
Anda harus memberikan header kolom dari kumpulan data pelatihan dan validasi saat melatih model. JumpStart Secara default, JumpStart hanya menerima kumpulan data tanpa header kolom, jadi Anda harus menambahkan header kolom sebagai file saat melatih model Anda. Amazon S3 URI untuk file header kolom juga dibagikan ke Canvas. File header kolom Anda akan terlihat seperti contoh berikut (dalam CSV format). Kolom pertama harus menjadi target.
```
Segmentation	EverMarried	Age	Graduated	WorkExperience	SpendingScore	FamilySize	Var1
```
Pekerjaan pelatihan JumpStart harus Complete sebelum Anda dapat berbagi dengan Canvas.
Untuk masalah klasifikasi (atau prediksi kategoris di Canvas), nama kelas asli perlu disediakan di bagian Configure model output saat berbagi ke Canvas. Urutan nama kelas harus cocok dengan pengindeksan yang digunakan dalam model. File relasi pemetaan Anda akan terlihat seperti contoh berikut dalam CSV format, di mana indeks 0 (indeks pertama) dipetakan ke nama kelas: A
```
A	B	C	D
```
Ketika pengguna Canvas melihat metrik model dalam aplikasi Canvas, mereka hanya dapat melihat indeks setiap kelas (0, 1, 2). Namun, pengguna dapat melihat nama kelas saat melihat hasil untuk prediksi tunggal.

Bawa model Anda sendiri dari Autopilot

Tinjau informasi dan batasan berikut saat berbagi model dari Autopilot ke Canvas.

Anda hanya dapat membagikan model ke Canvas yang telah berhasil dilatih dari pekerjaan AutoML dengan Ensembling,, atau mode Otomatis (untuk mode Otomatis HPO, Autopilot memilih Ensembling atau mode berdasarkan ukuran kumpulan data pelatihan). HPO Jenis masalah Autopilot yang saat ini didukung adalah Regresi, Klasifikasi multi-kelas, klasifikasi biner.
Untuk setiap pekerjaan Autopilot, Anda dapat memilih model apa saja (model Terbaik atau kandidat lainnya) untuk dibagikan ke Canvas satu per satu. Anda hanya perlu memilih tombol Bagikan model dan kemudian menentukan pengguna Canvas dengan siapa Anda ingin berbagi model dan catatan.
AutoGluon-Model tabular yang menggunakan transformator Data Wrangler untuk inferensi tidak dapat dibagikan ke Canvas. Ini karena transformator Data Wrangler menyebabkan model menggunakan lebih dari satu wadah.
HPOmodel yang tidak kompatibel dengan SageMaker Neo tidak dapat dibagikan ke Canvas dengan sukses. Model yang kompatibel adalah model Autopilot yang menggunakan XGBoost atau algoritma. MLP Model yang tidak kompatibel termasuk model Autopilot yang menggunakan algoritma pembelajar linier.

Bawa model Anda sendiri dari Model Registry

Tinjau informasi dan batasan berikut saat berbagi model dari Model Registry ke Canvas.

Tidak seperti tombol Bagikan yang disediakan oleh JumpStart, Model Registry tidak menyediakan validasi model, jadi ada kemungkinan model terdaftar yang berhasil dibagikan dari Studio Classic dapat gagal saat mengimpor ke Canvas karena ketidakcocokan model. Tinjau tips berikut sebelum berbagi ke Canvas dari Model Registry:
- Gunakan wadah inferensi tunggal untuk model Anda. Anda dapat mendaftarkan model dengan beberapa kontainer di dalam AdditionalInferenceSpecificationsbidang, tetapi Canvas hanya dioptimalkan untuk satu wadah inferensi per model. Misalnya, saat Anda menggunakan pipeline inferensi dan mendaftarkan beberapa kontainer di AdditionalInferenceSpecifications lapangan dengan beberapa kontainer pra-pemrosesan data dan wadah inferensi, secara default wadah pertama dipilih untuk inferensi model di Canvas. Evaluasi apakah ini berfungsi untuk kasus penggunaan Anda jika Anda menggunakan pipeline pembelajaran mesin.
- Gunakan algoritma tabular SageMaker bawaan dengan format inferensi yang kompatibel. Algoritma sampel yang diuji dengan output inferensi yang kompatibel adalah Autogluon-Tabular,, Light, dan. CatBoost GBM TabTransformer XGBoost Algoritma seperti Factorization Machines tidak menerima CSV sebagai input file, dan format output inferensi untuk algoritma seperti Linear Learner dan K-NN tidak didukung oleh Canvas.
- Anda juga dapat membawa wadah gambar Anda sendiri dan membagikannya ke Canvas, atau memodifikasi SageMaker wadah yang sudah dibuat sebelumnya.
  - Jika Anda membawa wadah Anda sendiri, Anda harus memodifikasinya agar dapat digunakan SageMaker. Untuk informasi selengkapnya tentang membawa wadah Anda sendiri, lihat Mengadaptasi Wadah Inferensi Anda Sendiri.
  - Untuk pemformatan terperinci untuk format keluaran inferensi Anda, lihat. Keterbatasan untuk membawa model Anda sendiri (BYOM)

Saat mendaftarkan model Anda dalam grup paket model, ingatlah untuk memberikan atribut berikut dengan wadah inferensi Anda:

Lingkungan:


"{\"SAGEMAKER_CONTAINER_LOG_LEVEL\": \"20\", \"SAGEMAKER_PROGRAM\": \"inference.py\", \"SAGEMAKER_REGION\": \"us-west-2\", \"SAGEMAKER_SUBMIT_DIRECTORY\": \"/opt/ml/model/code\"}"

Gambar:


"s3://sagemaker-us-west-2-<account-id>/model-regression-abalone-2022-10-14-23-02-45/model.tar.gz"

ModelDataUrl


"<account-id>.dkr.ecr.us-west-2.amazonaws.com/sagemaker-xgboost:1.3-1"

Anda harus memberikan kumpulan data pelatihan dan validasi saat berbagi model dari Model Registry ke Canvas. Kumpulan data harus disimpan di Amazon S3, dan peran eksekusi pengguna Studio Classic dan Canvas harus memiliki akses ke lokasi Amazon S3. Anda dapat menggunakan Amazon S3 yang sama URIs untuk berbagi kumpulan data pelatihan dan validasi dengan Canvas, atau Anda dapat berbagi kumpulan data yang berbeda dengan skema data yang sama. Kumpulan data harus memiliki format input yang tepat yang memberi makan wadah inferensi model Anda.
Anda harus memberikan kolom target ke Canvas, atau kolom pertama dari kumpulan data pelatihan/validasi Anda digunakan secara default.
Di bagian Tambahkan detail model saat berbagi ke Canvas, Anda dapat memberikan baris pertama kumpulan data pelatihan dan validasi sebagai header, atau Anda dapat menentukan header sebagai file yang berbeda.
Untuk masalah klasifikasi (atau prediksi kategoris di Canvas), nama kelas asli perlu disediakan saat berbagi ke SageMaker Canvas melalui opsi Konfigurasi keluaran model. Urutan nama kelas harus cocok dengan pengindeksan yang digunakan dengan model bersama. Pemetaan dapat berupa CSV file di Amazon S3, atau Anda dapat memasukkan nama kelas secara manual.

Awas Javascript dinonaktifkan atau tidak tersedia di browser Anda.

Untuk menggunakan Dokumentasi AWS, Javascript harus diaktifkan. Lihat halaman Bantuan browser Anda untuk petunjuk.

Konvensi Dokumen

Keluar

Penagihan dan biaya di Canvas SageMaker