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。
Amazon 的程式設計模型 SageMaker
直接從程式碼進行API呼叫很繁瑣，需要您編寫程式碼來驗證請求。Amazon SageMaker 提供下列替代方案：
-
使用 SageMaker 主控台 – 使用 主控台，您不會撰寫任何程式碼。您可以使用主控台使用者介面，開始訓練模型或部署模型。主控台相當適用於簡易的任務，且您可以在主控台中使用內建訓練演算法，也不需要預先處理訓練資料。
-
修改範例 Jupyter 筆記本 – SageMaker 提供數個使用特定演算法和資料集訓練和部署模型的 Jupyter 筆記本。您可以先從具備合宜演算法的筆記本著手並進行修改，以便因應您的資料來源與特定需求。
-
從頭開始寫入模型訓練和推論程式碼 – SageMaker 提供多種 AWS SDK語言 （列於概觀中） 和 Amazon SageMaker Python SDK
，這是高階 Python 程式庫，可用於程式碼以開始模型訓練任務並部署產生的模型。 -
SageMaker Python SDK– 此 Python 程式庫可簡化模型訓練和部署。除了可以對請求進行身分驗證之外，該程式庫會提供簡易方法和預設參數，進而詳細地進行平台摘要。例如：
-
欲部署模型，僅需呼叫
deploy()方法。此方法會建立 SageMaker 模型成品、端點組態，然後在端點上部署模型。 -
如果使用自訂的架構指令碼來訓練模型，您要呼叫
fit()方法。該方法可以將指令碼建立為 .gzip 檔案，並將其上傳至 Amazon S3 位置，接著執行該檔案以進行模型訓練或其他任務。如需詳細資訊，請參閱Machine Learning 架構和語言。 -
若要設定 SageMaker Python 進行呼叫的 SageMaker API預設值SDK，請使用預設組態字典。如需詳細資訊，請參閱搭配 SageMaker Python 設定和使用預設值SDK
。
-
-
AWS SDKs - SDKs提供與 對應的方法 SageMaker API（請參閱
Operations）。使用 SDKs以程式設計方式啟動模型訓練任務，並在 中託管模型 SageMaker。SDK 用戶端會為您處理身分驗證，因此您不需要撰寫身分驗證碼。這些開發套件支援多種語言與平台。如需詳細資訊，請參閱概觀中的上述清單。
在 中Amazon 設定指南 SageMaker，您可以使用 提供的演算法來訓練和部署模型 SageMaker。且該章節的練習會說明這兩種程式庫的使用方法。如需詳細資訊，請參閱Amazon 設定指南 SageMaker。
-
-
SageMaker 整合至 Apache Spark 工作流程 – SageMaker 提供APIs從 Apache Spark 呼叫它的程式庫。透過它，您可以在 Apache Spark 管道中使用 SageMaker型估算器。如需詳細資訊，請參閱搭配 Amazon 的 Apache Spark SageMaker。
