访问 Amazon 中精心策划的模型中心 SageMaker JumpStart - Amazon SageMaker
在 Studio 中访问你的私人模特中心使用 SageMaker Python 访问你的私有模型中心 SDK

本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

访问 Amazon 中精心策划的模型中心 SageMaker JumpStart

你可以通过 Studio 或 SageMaker Python 访问私有模型中心SDK。

在 Studio 中访问你的私人模特中心

重要

截至 2023 年 11 月 30 日，之前的亚马逊 SageMaker Studio 体验现在被命名为 Amazon St SageMaker udio Classic。以下部分专门介绍如何使用更新后的 Studio 体验。有关使用 Studio Classic 应用程序的信息，请参见亚马逊 SageMaker Studio 经典版。

在 Amazon SageMaker Studio 中，通过左侧面板上的主页或主页菜单打开 JumpStart 登录页面。这将打开SageMaker JumpStart登录页面，您可以在其中浏览模型中心并搜索模型。

  • 在 “主页” 页面中，JumpStart在 “预构建和自动解决方案” 窗格中进行选择。

  • 从左侧面板的 “主页” 菜单中导航到该JumpStart节点。

有关开始使用 Amazon SageMaker Studio 的更多信息，请参阅亚马逊 SageMaker Studio。

在 Studio 的SageMaker JumpStart登录页面上，您可以浏览任何包含贵组织允许名单模型的私有模型中心。如果您只能访问一个模型中心，则SageMaker JumpStart登录页面会将您直接带到该中心。如果您有权访问多个集线器，则会进入集线器页面。

有关微调、部署和评估您可以在 Studio 中访问的模型的更多信息，请参阅在 Studio 中使用基础模型。

使用 SageMaker Python 访问你的私有模型中心 SDK

你可以使用 SageMaker Python 访问你的私有模型中心SDK。您的管理员提供您对策划中心的读取、使用或编辑权限。

注意

如果跨账户共享集线器，则HUB_NAME必须是中心ARN。如果中心不是在账户之间共享的，则HUB_NAME可以是中心名称。

  1. 安装 SageMaker Python SDK 并导入必要的 Python 软件包。

    # 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. 使用集线器名称和 SageMaker 区域初始化会话并连接到您的私有集线器。

    # 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. 连接到专用集线器后，您可以使用以下命令列出该集线器中的所有可用型号：

    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. 您可以使用模型名称和以下命令获取有关特定模型的更多信息：

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

有关微调和部署您可以使用 SageMaker Python 访问的模型的更多信息SDK，请参阅将基础模型与 SageMaker Python SDK。