Amazon에서 선별된 모델 허브 액세스 SageMaker JumpStart - Amazon SageMaker
Studio에서 프라이빗 모델 허브에 액세스 SageMaker Python을 사용하여 프라이빗 모델 허브에 액세스 SDK

기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.

Amazon에서 선별된 모델 허브 액세스 SageMaker JumpStart

Studio 또는 SageMaker Python 을 통해 프라이빗 모델 허브에 액세스할 수 있습니다SDK.

Studio에서 프라이빗 모델 허브에 액세스

중요

2023년 11월 30일부터 이전 Amazon SageMaker Studio 환경이 이제 Amazon SageMaker Studio Classic으로 명명되었습니다. 다음 섹션은 업데이트된 Studio 환경 사용에 따라 다릅니다. Studio Classic 애플리케이션 사용에 대한 자세한 내용은 섹션을 참조하세요Amazon SageMaker Studio Classic.

Amazon SageMaker Studio에서 홈 페이지 또는 왼쪽 패널의 홈 메뉴를 통해 JumpStart 랜딩 페이지를 엽니다. 그러면 모델 허브를 탐색하고 모델을 검색할 수 있는 SageMaker JumpStart랜딩 페이지가 열립니다.

  • 홈 페이지에서 사전 구축 및 자동 솔루션 창에서 JumpStart 를 선택합니다.

  • 왼쪽 패널의 홈 메뉴에서 JumpStart 노드로 이동합니다.

Amazon SageMaker Studio 시작하기에 대한 자세한 내용은 섹션을 참조하세요Amazon SageMaker Studio.

Studio의 SageMaker JumpStart랜딩 페이지에서 조직의 허용 모델이 포함된 프라이빗 모델 허브를 탐색할 수 있습니다. 하나의 모델 허브에만 액세스할 수 있는 경우 SageMaker JumpStart랜딩 페이지에서 해당 허브로 직접 이동합니다. 여러 허브에 액세스할 수 있는 경우 허브 페이지로 이동합니다.

Studio에서 액세스할 수 있는 모델을 미세 조정, 배포 및 평가하는 방법에 대한 자세한 내용은 섹션을 참조하세요Studio에서 파운데이션 모델 사용.

SageMaker Python을 사용하여 프라이빗 모델 허브에 액세스 SDK

SageMaker Python 을 사용하여 프라이빗 모델 허브에 액세스할 수 있습니다SDK. 큐레이션된 허브를 읽거나 사용하거나 편집할 수 있는 액세스 권한은 관리자가 제공합니다.

참고

계정 간에 허브가 공유되는 경우 가 허브여야 HUB_NAME 합니다ARN. 허브가 계정 간에 공유되지 않는 경우 가 허브 이름이 될 HUB_NAME 수 있습니다.

  1. SageMaker Python을 설치하고 필요한 Python 패키지를 SDK 가져옵니다.

    # Install the SageMaker Python SDK
!pip3 install sagemaker --force-reinstall --quiet

# Import the necessary Python packages
import boto3
from sagemaker import Session
from sagemaker.jumpstart.hub.hub import Hub
from sagemaker.jumpstart.model import JumpStartModel
from sagemaker.jumpstart.estimator import JumpStartEstimator

  2. SageMaker 세션을 초기화하고 허브 이름과 리전을 사용하여 프라이빗 허브에 연결합니다.

    # If a hub is shared across accounts, then the HUB_NAME must be the hub ARN
HUB_NAME="Example-Hub-ARN" 
REGION="us-west-2" 

# Initialize a SageMaker session
sm_client = boto3.client('sagemaker') 
sm_runtime_client = boto3.client('sagemaker-runtime') 
session = Session(sagemaker_client=sm_client, 
                    sagemaker_runtime_client=sm_runtime_client)

# Initialize the private hub
hub = Hub(hub_name=HUB_NAME, sagemaker_session=session)

  3. 프라이빗 허브에 연결한 후 다음 명령을 사용하여 해당 허브에서 사용 가능한 모든 모델을 나열할 수 있습니다.

    response = hub.list_models()
models = response["hub_content_summaries"]
while response["next_token"]:
    response = hub.list_models(next_token=response["next_token"])
    models.extend(response["hub_content_summaries"])
    
print(models)

  4. 다음 명령을 사용하여 모델 이름을 사용하여 특정 모델에 대한 자세한 정보를 얻을 수 있습니다.

    response = hub.describe_model(model_name="example-model")
print(response)

SageMaker Python을 사용하여 액세스할 수 있는 모델을 미세 조정하고 배포하는 방법에 대한 자세한 내용은 섹션을 SDK참조하세요에서 파운데이션 모델 사용 SageMaker Python SDK.