建立您的 Amazon SageMaker 資源 - AWS Marketplace
建立模型套件 建立您的演算法

本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

建立您的 Amazon SageMaker 資源

若要發佈模型套件或演算法產品，您必須在 Amazon 中建立對應的模型套件資源或演算法資源 SageMaker。當您為 AWS Marketplace 產品建立資源時，必須透過驗證步驟進行認證。驗證步驟要求您提供資料，以便在發佈模型套件或演算法資源之前進行測試。下列各節說明如何建立 SageMaker 資源，無論是模型套件資源或演算法資源。這包括設定驗證規格， SageMaker 說明如何執行驗證。

注意

如果您尚未為產品建立映像，並將其上傳至 Amazon Elastic Container Registry （AmazonECR），請參閱 將程式碼封裝到 中的機器學習產品映像中 AWS Marketplace和 將映像上傳至 Amazon Elastic Container Registry 以取得如何建立映像的相關資訊。

建立模型套件

以下是為 建立模型套件的要求 AWS Marketplace：

  • 儲存在 Amazon ECR中的推論映像

  • （選用） 模型成品，分別儲存在 Amazon S3 中

  • 用於推論的測試資料，儲存在 Amazon Simple Storage Service （Amazon S3） 中

注意

以下是關於建立模型套件產品。如需 中模型套件的詳細資訊 SageMaker，請參閱建立模型套件資源 。

建立模型套件資源

下列程序會逐步引導您建立模型套件資源。

步驟 1：建立模型套件資源

  1. 開啟 Amazon SageMaker 主控台 。

  2. 透過查看頁面右上角，確保您位於要發佈的 AWS 區域中。如需發佈，請參閱 支援 AWS 區域 發佈一節。您在先前步驟中上傳至 Amazon ECR的推論映像必須位於相同的 區域中。

  3. 在左側導覽選單中，選擇模型套件 。

  4. 選擇 Create model package (建立模型套件)。

建立套件之後，您需要設定推論套件的規格。

步驟 2：設定推論規格

  1. 為您的模型套件提供名稱 （例如，my-model-package).

  2. 針對推論映像的位置 ，輸入已上傳至 Amazon URI的推論映像的 ECR。您可以在 Amazon 主控台 中尋找映像URI來擷取 。 ECR

  3. 如果您的訓練模型成品與推論映像中的邏輯綁定在一起，請將模型資料成品的位置保留空白。否則，請指定模型成品壓縮檔案 （.tar.gz） 的完整 Amazon S3 位置。

  4. 使用下拉式清單，為即時推論 （也稱為端點 ） 和批次轉換任務選擇支援的執行個體類型。

  5. 選擇 Next (下一步)。

在建立和發佈模型套件之前，必須先進行驗證，以確保其如預期般運作。這需要您使用測試資料執行批次轉換任務，以進行您提供的推論。驗證規格會 SageMaker 說明如何執行驗證。

步驟 3：設定驗證規格

  1. 將 中的發佈此模型套件 AWS Marketplace設定為是 。如果您將此設定為否 ，則無法稍後發佈此模型套件。選擇是可驗證 AWS Marketplace 的模型套件，且 需要驗證步驟。

  2. 如果這是第一次完成此程序，請選擇為角色 建立新IAM角色。Amazon 在部署模型套件時 SageMaker 使用此角色。這包括動作，例如從 Amazon 提取影像ECR，以及從 Amazon S3 提取成品。檢閱設定，然後選擇建立角色 。在此建立角色會將 AmazonSageMakerFullAccessIAM政策所述的許可授予您建立的角色。

  3. 在驗證設定檔JSON中編輯 。如需允許值的詳細資訊，請參閱 TransformJobDefinition。

    1. TransformInput.DataSource.S3Uri：將 設定為存放推論測試資料的位置。

    2. TransformInput.ContentType：指定測試資料內容類型 （例如 、image/png 、 application/json text/plain或任何其他值）。 SageMaker 不會驗證實際的輸入資料。此值會傳遞至Content-type標頭值中的容器HTTP端點。

    3. TransformInput.CompressionType：None如果您的 Amazon S3 中推論測試資料未壓縮，請設定為 。

    4. TransformInput.SplitType：設定為 None 以傳遞 Amazon S3 中的整個物件以進行推論。

    5. TransformOutput.S3OutputPath：將 設定為推論輸出儲存的位置。

    6. TransformOutput.AssembleWith：將 設定為 None，將每個推論輸出為 Amazon S3 中的個別物件。

  4. 選擇 Create model package (建立模型套件)。

SageMaker 從 Amazon 提取推論映像ECR、將任何成品複製到推論容器，並使用測試資料執行批次轉換任務以進行推論。驗證成功後，狀態會變更為已完成 。

注意

驗證步驟不會使用測試資料評估模型的準確性。驗證步驟會檢查容器是否如預期執行和回應。

您已完成建立模型產品資源。繼續進行在 中發佈您的產品 AWS Marketplace。

建立您的演算法

以下是為 建立演算法的要求 AWS Marketplace：

  • 儲存在 Amazon 中的推論映像 ECR

  • 儲存在 Amazon 的訓練映像 ECR

  • 您的訓練測試資料，存放在 Amazon S3 中

  • 您的推論測試資料，存放在 Amazon S3 中

注意

下列逐步解說會建立演算法產品。如需詳細資訊，請參閱建立演算法資源。

建立演算法資源

下列程序會逐步引導您在演算法套件中建立資源。

步驟 1：建立演算法資源

  1. 開啟 Amazon SageMaker 主控台 。

  2. 透過查看頁面右上角，確保您位於要發佈的 AWS 區域中 （請參閱 支援 AWS 區域 發佈）。您在ECR先前步驟中上傳至 Amazon 的訓練和推論映像必須位於相同的區域。

  3. 在左側導覽功能表中，選擇演算法 。

  4. 選擇建立演算法。

建立演算法套件之後，您必須設定模型訓練和調校的規格。

步驟 2：設定訓練和調校規格

  1. 輸入演算法的名稱 （例如，my-algorithm).

  2. 對於訓練映像 ，請貼上上傳到 Amazon 的訓練映像的完整URI位置ECR。您可以在 Amazon 主控台 中尋找映像URI來擷取 。 ECR

  3. 使用下拉式方塊，選擇訓練映像支援的訓練執行個體類型。

  4. 在頻道規格區段下，為您的演算法支援的每個輸入資料集新增頻道，最多 20 個輸入來源的頻道。如需詳細資訊，請參閱輸入資料組態 。

  5. 選擇 Next (下一步)。

  6. 如果您的演算法支援超參數和超參數調校，您必須指定調校參數。

  7. 選擇 Next (下一步)。

注意

我們強烈建議您的演算法支援超參數調校，並讓適當的參數進行調整。這可讓資料科學家調整模型，以取得最佳結果。

設定調校參數後，如果有，您必須設定推論映像的規格。

步驟 3：設定推論映像規格

  1. 針對推論映像的位置 ，貼上上傳至 Amazon URI的推論映像的 ECR。您可以在 Amazon 主控台 中尋找映像URI來擷取 。 ECR

  2. 使用下拉式清單，為即時推論 （也稱為端點 ） 和批次轉換任務的推論映像選擇支援的執行個體類型。

  3. 選擇 Next (下一步)。

在建立和發佈您的演算法之前，必須先進行驗證，以確保其如預期般運作。這需要您使用訓練的測試資料執行訓練任務，並使用測試資料執行批次轉換任務，以進行您提供的推論。驗證規格會 SageMaker 說明如何執行驗證。

步驟 4：設定驗證規格

  1. 將此演算法在 中發佈 AWS Marketplace為是 。如果您將此設定為否 ，則無法稍後發佈此演算法。選擇是可驗證您的演算法， AWS Marketplace 且 需要驗證規格。

  2. 如果這是您第一次為 建立機器學習套件 AWS Marketplace，請選擇為角色 建立新IAM角色。Amazon 會在訓練您的演算法和部署後續模型套件時 SageMaker 使用此角色。這包括從 Amazon 提取影像ECR、在 Amazon S3 中儲存成品，以及從 Amazon S3 複製訓練資料等動作。檢閱設定，然後選擇建立角色 。在此建立角色會將 AmazonSageMakerFullAccessIAM政策描述的許可授予您建立的角色。

  3. 編輯訓練任務定義 的驗證設定檔中的JSON檔案。如需允許值的詳細資訊，請參閱 TrainingJobDefinition。

    1. InputDataConfig：在此JSON陣列中，為您在訓練規格步驟中指定的每個頻道新增頻道物件。針對每個頻道，指定訓練的測試資料存放位置。

    2. OutputDataConfig：訓練完成後，訓練容器目錄路徑中的模型成品/opt/ml/model/會壓縮並複製到 Amazon S3。指定壓縮檔案 （.tar.gz） 存放位置的 Amazon S3 位置。

  4. 在轉換任務定義 的驗證設定檔中編輯 JSON 檔案。如需允許值的詳細資訊，請參閱 TransformJobDefinition。

    1. TransformInput.DataSource.S3Uri：將 設定為存放推論測試資料的位置。

    2. TransformInput.ContentType：指定測試資料內容類型。例如，application/json、image/png、 text/plain或任何其他值。Amazon SageMaker 不會驗證實際輸入資料。此值會傳遞至Content-type標頭值中的容器HTTP端點。

    3. TransformInput.CompressionType：None如果您的 Amazon S3 中推論測試資料未壓縮，請設定為 。

    4. TransformInput.SplitType：選擇您希望 S3 分割中物件的方式。例如， 會將 Amazon S3 中的每個物件整個None傳遞以進行推論。如需詳細資訊，請參閱 Amazon SageMaker API 參考 SplitType中的 。

    5. TransformOutput.S3OutputPath：將 設定為存放推論輸出的位置。

    6. TransformOutput.AssembleWith：將 設定為 None，將每個推論輸出為 Amazon S3 中的個別物件。

  5. 選擇建立演算法套件 。

SageMaker 從 Amazon 提取訓練映像ECR、使用您的資料執行測試訓練任務，並將模型成品儲存在 Amazon S3 中。然後，它會從 Amazon 提取推論映像ECR，將成品從 Amazon S3 複製到推論容器中，並使用測試資料執行批次轉換任務以進行推論。驗證成功後，狀態會變更為已完成 。

注意

驗證步驟不會使用測試資料評估訓練或模型的準確性。驗證步驟會檢查容器是否如預期執行和回應。

驗證步驟只會驗證批次處理。您可以自行驗證即時處理是否適用於您的產品。

您已完成建立演算法產品資源。繼續進行在 中發佈您的產品 AWS Marketplace。