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。
範例和更多資訊：使用您自己的演算法或模型
下列 Jupyter 筆記本和新增資訊說明如何使用您自己的演算法或 Amazon SageMaker 筆記本執行個體的預先訓練模型。如需使用預先建置 Docker 檔案 TensorFlow、MXNet、Chainer 和 PyTorch架構的 GitHub儲存庫連結，以及使用 AWS SDK for Python (Boto3) 估算器在 SageMaker Learner 上執行您自己的訓練演算法的說明，請參閱 SageMaker 適用於深度學習的預建 SageMaker Docker 影像
設定
-
建立 SageMaker 筆記本執行個體。如需如何建立和存取 Jupyter 筆記本執行個體的相關指示，請參閱 Amazon SageMaker Notebook 執行個體。
-
開啟您建立的筆記本執行個體。
-
選擇 [範SageMaker 例] 索引標籤，以取得所有範 SageMaker例記事本的清單。
-
從筆記本執行個體的 [進階功能] 區段或 GitHub 使用提供的連結開啟範例記事本。若要開啟筆記本，請選擇其 Use (使用) 標籤，然後選擇 Create copy (建立複本)。
託管 Scikit-learn 中訓練的模型
要了解如何託管在 Scikit 中訓練的模型-了解如何 SageMaker 通過將它們注入第一方 k 均值和 XGBoost 容器中來進行預測，請參閱以下示例筆記本。
Package TensorFlow 和 SCIKit 學習模型，適用於 SageMaker
若要了解如何封裝在中開發的演算法，以 TensorFlow 及用於在 SageMaker 環境中進行訓練和部署的 scikit-learn 架構，請參閱下列筆記本。其中示範如何使用 Dockerfile 來建置、登錄和部署您自己的 Docker 容器。
訓練和部署神經網路 SageMaker
若要了解如何使用 MXNet 或在本機訓練神經網路 TensorFlow，然後從訓練的模型建立端點並將其部署 SageMaker，請參閱下列筆記本。MXNet 模型接受訓練來辨識 MNIST 資料集裡的手寫數字。該 TensorFlow 模型經過培訓，可以對虹膜進行分類。
使用管道模式進行訓練
若要了解如何使用 Dockerfile 建置容器以呼叫 train.py script，並使用管道模式來自訂訓練演算法，請參閱以下筆記本。在管道模式下，訓練時會將輸入資料傳輸至演算法。相較於使用檔案模式，這可以縮短訓練時間。
使用自有 R 模型
若要了解如何使用新增自訂 R 映像來建置和訓練 AWS SMS
筆記本中的模型，請參閱下列部落格文章。這篇博客文章使用了來自 SageMakerStudio 經典自定義圖像
擴展預先構建的 PyTorch 容器映像
要了解如何在預構建的 Doc SageMaker PyTorch ker 映像不支持的算法或模型的其他功能需求時擴展預構建的容器映像，請參閱以下筆記本。
如需延伸容器的更多相關資訊，請參閱延伸預先建置的容器。
在自訂容器上訓練和偵錯訓練任務
若要了解如何使用偵錯工 SageMaker 具訓練及偵錯訓練工作，請參閱下列筆記本。透過此範例提供的訓練指令碼使用 TensorFlow Keras ResNet 50 模型和 CIFAR10 資料集。Docker 自訂容器使用訓練指令碼建置，並推送至 Amazon ECR。訓練任務為執行中時，偵錯工具會收集張量輸出並識別偵錯問題。使用 smdebug 用戶端程式庫工具，您可以設定呼叫訓練任務和偵錯資訊的 smdebug 試用物件、檢查訓練和偵錯工具規則狀態，以及擷取儲存在 Amazon S3 儲存貯體中的張量以分析訓練問題。
