Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.

# Creazione di un modello addestrato in AWS Clean Rooms ML
<a name="create-trained-model"></a>

Prerequisiti: 
+ E con accesso a Account AWS AWS Clean Rooms
+ Una collaborazione istituita in AWS Clean Rooms
+ Un algoritmo modello configurato associato alla collaborazione
+ Almeno un canale di input ML configurato
+ Autorizzazioni appropriate per creare e gestire modelli ML nella collaborazione

Dopo aver associato l'algoritmo del modello configurato a una collaborazione, quindi creato e configurato un canale di input ML, siete pronti per creare un modello addestrato. Un *modello addestrato* viene utilizzato dai membri di una collaborazione per analizzare congiuntamente i propri dati.

È possibile creare un modello addestrato utilizzando la procedura seguente. 

In alternativa, puoi utilizzare la formazione incrementale per migliorare un modello esistente con nuovi dati o la formazione distribuita per addestrare i modelli su più istanze di calcolo. 

**Topics**
+ [Utilizzo della formazione incrementale in AWS Clean Rooms ML](use-incremental-training.md)
+ [Utilizzo della formazione distribuita in AWS Clean Rooms ML](use-distributed-training.md)

------
#### [ Console ]

**Per creare un modello addestrato (console)**

1. Accedi a Console di gestione AWS e apri la AWS Clean Rooms console all'indirizzo [https://console.aws.amazon.com/cleanrooms.](https://console.aws.amazon.com/cleanrooms/home)

1. **Nel riquadro di navigazione a sinistra, scegli Collaborazioni.**

1. Nella pagina **Collaborazioni**, scegli la collaborazione in cui desideri creare un modello addestrato.

1. Dopo l'apertura della collaborazione, scegli la scheda **Modelli ML**.

1. In **Modelli ML personalizzati**, nella sezione **Modelli addestrati**, scegli **Crea modello addestrato**.

1. Nella pagina **Crea modello addestrato**, per **Algoritmo di modello associato**, specifica l'algoritmo.

1. Per **i dettagli del modello addestrato**, inserisci quanto segue:

   1. Per **Nome**, inserisci un nome univoco per il modello nella collaborazione.

   1. (Facoltativo) In **Descrizione**, inserite una descrizione del modello addestrato.

   1. Per la **modalità di immissione dei dati di addestramento**, scegliete una delle seguenti opzioni: 
      + Seleziona **File** se disponi di un set di dati più piccolo che può essere inserito nel volume di archiviazione ML e preferisci l'accesso tradizionale al file system per lo script di formazione.
      + Seleziona **Pipe** per set di dati di grandi dimensioni per lo streaming dei dati direttamente da S3, evitando di dover scaricare tutto su disco, il che può migliorare la velocità di addestramento e ridurre i requisiti di archiviazione.
      + Scegli **FastFile**se vuoi combinare i vantaggi dello streaming da S3 con l'accesso al file system, in particolare per i dati letti in sequenza o quando hai a che fare con meno file per tempi di avvio più rapidi.

1. Per i **dettagli del canale di input ML**, procedi come segue: 

   1. Per il **canale di input ML**, specificate il canale di input ML che fornisce dati all'algoritmo del modello. 

      Per aggiungere un altro canale, scegliete **Aggiungi un altro canale di input ML**. È possibile aggiungere fino a 19 canali di ingresso ML aggiuntivi. 

   1. Per **Nome canale**, immettete il nome del canale di ingresso ML.

   1. Per il **tipo di distribuzione dei dati di Amazon S3**, scegli una delle seguenti opzioni:
      + Seleziona **Completamente replicato** per fornire a ogni istanza di formazione una copia completa del set di dati. Ciò funziona al meglio quando il set di dati è sufficientemente piccolo da contenere la memoria o quando ogni istanza deve accedere a tutti i dati.
      + Seleziona **Sharded by S3 key** per dividere il set di dati tra le istanze di addestramento basate sulle chiavi S3. Ogni istanza riceve circa 1/n del totale di oggetti S3, dove 'n' è il numero di istanze. Funziona meglio per set di dati di grandi dimensioni che desideri elaborare in parallelo.
**Nota**  
Considerate le dimensioni del set di dati e i requisiti di formazione quando selezionate un tipo di distribuzione. La **replica completa** fornisce l'accesso completo ai dati ma richiede più spazio di archiviazione, mentre **Sharded by S3 key** consente l'elaborazione distribuita di set di dati di grandi dimensioni.

1. Per la **durata massima dell'allenamento**, scegli la quantità massima di tempo in cui desideri addestrare il tuo modello.

1. Per **Hyperparameters**, specificate tutti i parametri specifici dell'algoritmo e i valori desiderati. Gli iperparametri sono specifici del modello da addestrare e vengono utilizzati per ottimizzare l'addestramento del modello.

1. Per **le variabili di ambiente**, specificate tutte le variabili specifiche dell'algoritmo e i valori previsti. Le variabili di ambiente sono impostate nel contenitore Docker.

1. Per utilizzare una **crittografia** personalizzata AWS KMS key, seleziona la casella di controllo **Crittografa il segreto con una chiave KMS personalizzata**.

1. Per la **configurazione delle risorse EC2**, specifica le informazioni sulle risorse di calcolo utilizzate per l'addestramento dei modelli. 

   1. Per **Tipo di istanza**, scegli il tipo di istanza che desideri eseguire. 

   1. Per **Numero di istanze**, inserisci il numero di istanze.

   1. Per **Dimensione del volume in GB**, inserisci la dimensione del volume di archiviazione ML.

1. Scegli **Crea modello addestrato**. 

------
#### [ API ]

Per creare un modello addestrato (API)

Il membro in grado di addestrare un modello inizia l'addestramento selezionando il canale di input ML e l'algoritmo del modello.

Esegui il codice seguente con i tuoi parametri specifici:

```
import boto3 
acr_ml_client= boto3.client('cleanroomsml')

acr_ml_client.create_trained_model(
    membershipIdentifier= 'membership_id',
    configuredModelAlgorithmAssociationArn = 'arn:aws:cleanrooms-ml:region:account:membership/membershipIdentifier/configured-model-algorithm-association/identifier',
    name='trained_model_name',
    resourceConfig={
        'instanceType': "ml.m5.xlarge",
        'volumeSizeInGB': 1
    },
    dataChannels=[
        {
            "mlInputChannelArn": channel_arn_1,
            "channelName": "channel_name"
        },
        {
            "mlInputChannelArn": channel_arn_2,
            "channelName": "channel_name"
        }
    ]
)
```

------

**Nota**  
Dopo aver creato il modello addestrato, non è possibile modificarlo. Per apportare modifiche, elimina il modello addestrato e creane uno nuovo.