Creazione di un modello - Amazon SageMaker
Per creare un modello (utilizzando Model Registry)Per creare un modello (utilizzandoAPI)Per creare un modello (utilizzando la console)

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

Per creare il modello è necessario fornire la posizione degli artefatti del modello e l'immagine del container. Puoi anche utilizzare una versione del SageMaker modello da Model Registry. Gli esempi nelle sezioni seguenti mostrano come creare un modello utilizzando Model CreateModelAPIRegistry e la SageMakerconsole Amazon.

Per creare un modello (utilizzando Model Registry)

Model Registry è una funzionalità SageMaker che ti aiuta a catalogare e gestire le versioni del tuo modello da utilizzare nelle pipeline ML. Per utilizzare Model Registry con Serverless Inference è necessario prima registrare una versione del modello in un gruppo di modelli di Model Registry. Per informazioni su come registrare un modello in Model Registry, seguire le procedure in Creazione di un gruppo di modelli e Registrazione di una versione del modello.

L'esempio seguente richiede di disporre ARN di una versione del modello registrata e utilizza AWS SDKfor Python (Boto3) per chiamare il. CreateModelAPI Per Serverless Inference, Model Registry è attualmente supportato solo da AWS SDK for Python (Boto3). Per l'esempio, specificare i valori seguenti:

  • Per model_name, inserire un nome per il modello.

  • Infattisagemaker_role, è possibile utilizzare il ruolo SageMaker creato di default o un SageMaker IAM ruolo personalizzato dal passaggio 4 della sezione. Completa i prerequisiti

  • PerModelPackageName, specifica la ARN versione del tuo modello, che deve essere registrata in un gruppo di modelli nel Model Registry.

#Setup
import boto3
import sagemaker
region = boto3.Session().region_name
client = boto3.client("sagemaker", region_name=region)

#Role to give SageMaker permission to access AWS services.
sagemaker_role = sagemaker.get_execution_role()

#Specify a name for the model
model_name = "<name-for-model>"

#Specify a Model Registry model version
container_list = [
    {
        "ModelPackageName": <model-version-arn>
     }
 ]

#Create the model
response = client.create_model(
    ModelName = model_name,
    ExecutionRoleArn = sagemaker_role,
    container_list
)

Per creare un modello (utilizzandoAPI)

L'esempio seguente utilizza AWS SDKfor Python (Boto3) per chiamare il. CreateModelAPI Specifica i seguenti valori:

  • Perché sagemaker_role, è possibile utilizzare il ruolo SageMaker creato di default o un SageMaker IAM ruolo personalizzato dal passaggio 4 della sezione. Completa i prerequisiti

  • Permodel_url, specifica Amazon S3 in base URI al tuo modello.

  • Percontainer, recupera il contenitore che desideri utilizzare tramite il relativo ECR percorso Amazon. Questo esempio utilizza un contenitore SageMaker fornitoXGBoost. Se non hai selezionato un SageMaker contenitore o non ne hai portato uno tuo, consulta il passaggio 6 della Completa i prerequisiti sezione per ulteriori informazioni.

  • Per model_name, inserire un nome per il modello.

#Setup
import boto3
import sagemaker
region = boto3.Session().region_name
client = boto3.client("sagemaker", region_name=region)

#Role to give SageMaker permission to access AWS services.
sagemaker_role = sagemaker.get_execution_role()

#Get model from S3
model_url = "s3://amzn-s3-demo-bucket/models/model.tar.gz"

#Get container image (prebuilt example)
from sagemaker import image_uris
container = image_uris.retrieve("xgboost", region, "0.90-1")

#Create model
model_name = "<name-for-model>"

response = client.create_model(
    ModelName = model_name,
    ExecutionRoleArn = sagemaker_role,
    Containers = [{
        "Image": container,
        "Mode": "SingleModel",
        "ModelDataUrl": model_url,
    }]
)

Per creare un modello (utilizzando la console)

  1. Accedi alla SageMakerconsole Amazon.

  2. Nella scheda di navigazione, scegliere Inferenza.

  3. Dopodiché, scegliere Modelli.

  4. Scegliere Crea modello.

  5. In Nome modello, inserisci un nome per il modello che sia univoco per il tuo account e Regione AWS.

  6. Per IAMil ruolo, seleziona un IAM ruolo che hai già creato (vediCompleta i prerequisiti) o consenti di SageMaker crearne uno per te.

  7. In Definizione container 1, per Opzioni di input del container, selezionare Fornisci gli artefatti del modello e la posizione di input.

  8. Per Fornisci artefatti del modello e opzioni di immagine di inferenza, selezionare Utilizza un singolo modello.

  9. Per l'immagine del codice Location of inference, inserisci un ECR percorso Amazon verso un contenitore. L'immagine deve essere un'immagine SageMaker fornita da prime parti (ad esempio TensorFlowXGBoost) o un'immagine che si trova in un ECR repository Amazon all'interno dello stesso account in cui stai creando l'endpoint. Se non disponi di un container, torna alla fase 6 della sezione Completa i prerequisiti per ulteriori informazioni.

  10. Per Localizzazione degli artefatti del modello, inserisci Amazon URI S3 nel tuo modello ML. Ad esempio s3://amzn-s3-demo-bucket/models/model.tar.gz.

  11. (Facoltativo) Per Tag, aggiungere coppie chiave-valore per creare metadati per il modello.

  12. Scegli Crea modello.