Criar um modelo - Amazon SageMaker
Para criar um modelo (usando o Registro do modelo)Para criar um modelo (usandoAPI)Para criar um modelo (usando o console)

As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.

Criar um modelo

Para criar seu modelo, você deve fornecer a localização dos artefatos do modelo e da imagem do contêiner. Você também pode usar uma versão de SageMaker modelo do Model Registry. Os exemplos nas seções a seguir mostram como criar um modelo usando o CreateModelAPIModel Registry e o SageMakerconsole da Amazon.

Para criar um modelo (usando o Registro do modelo)

O Registro de Modelos é um recurso SageMaker que ajuda você a catalogar e gerenciar versões do seu modelo para uso em pipelines de ML. Para usar o Model Registry com inferência sem servidor, você deve primeiro registrar uma versão do modelo em um grupo de modelos do registro do modelo. Para saber como registrar um modelo no Registro do modelo, siga os procedimentos em Criar um grupo de modelos e Registrar uma versão do modelo.

O exemplo a seguir exige que você tenha uma versão ARN de modelo registrada e use o AWS SDKfor Python (Boto3) para chamar o. CreateModelAPI Para inferência sem servidor, o Model Registry atualmente é suportado apenas pelo for AWS SDK Python (Boto3). Para o exemplo, especifique os seguintes valores:

  • Em model_name, insira um nome para o modelo.

  • Para sagemaker_role isso, você pode usar a função padrão SageMaker criada ou uma SageMaker IAM função personalizada da Etapa 4 da Conclua os pré-requisitos seção.

  • ParaModelPackageName, especifique a ARN versão do seu modelo, que deve ser registrada em um grupo de modelos no Registro de modelos.

#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
)

Para criar um modelo (usandoAPI)

O exemplo a seguir usa o AWS SDKfor Python (Boto3) para chamar o. CreateModelAPI Especifique os seguintes valores:

  • Pois sagemaker_role, você pode usar a função padrão SageMaker criada ou uma SageMaker IAM função personalizada da Etapa 4 da Conclua os pré-requisitos seção.

  • Paramodel_url, especifique o Amazon S3 URI para seu modelo.

  • Paracontainer, recupere o contêiner que você deseja usar pelo ECR caminho da Amazon. Este exemplo usa um XGBoost contêiner SageMaker fornecido. Se você não selecionou um SageMaker contêiner ou trouxe o seu, consulte a Etapa 6 da Conclua os pré-requisitos seção para obter mais informações.

  • Em model_name, insira um nome para o modelo.

#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,
    }]
)

Para criar um modelo (usando o console)

  1. Faça login no SageMakerconsole da Amazon.

  2. Na guia de navegação, escolha Inferência.

  3. Em seguida, escolha Modelos.

  4. Escolha Criar modelo.

  5. Em Nome do modelo, insira um nome para o modelo que seja exclusivo da sua conta Região da AWS e.

  6. Para IAMfunção, selecione uma IAM função que você já tenha criado (consulteConclua os pré-requisitos) ou permita SageMaker a criação de uma para você.

  7. Em Definição do contêiner 1, para Opções de entrada de contêiner, selecione Fornecer artefatos do modelo e local de entrada.

  8. Em Fornecer artefatos do modelo e opções de imagem de inferência, selecione Usar um único modelo.

  9. Em Localização da imagem do código de inferência, insira um ECR caminho da Amazon para um contêiner. A imagem deve ser uma imagem SageMaker primária fornecida (por exemplo TensorFlow,XGBoost) ou uma imagem que resida em um ECR repositório da Amazon na mesma conta na qual você está criando o endpoint. Se você não tiver um contêiner, volte para a Etapa 6 da seção Conclua os pré-requisitos para obter mais informações.

  10. Em Localização dos artefatos do modelo, insira o Amazon URI S3 em seu modelo de ML. Por exemplo, s3://amzn-s3-demo-bucket/models/model.tar.gz.

  11. (Opcional) Em Tags, adicione pares de chave-valor para criar metadados para seu modelo.

  12. Escolha Criar modelo.