在 Amazon 中存取精選模型中樞 SageMaker JumpStart - Amazon SageMaker
在 Studio 中存取私有模型中樞使用 SageMaker Python 存取您的私有模型中樞 SDK

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。

在 Amazon 中存取精選模型中樞 SageMaker JumpStart

您可以透過 Studio 或 SageMaker Python 存取私有模型中樞SDK。

在 Studio 中存取私有模型中樞

重要

截至 2023 年 11 月 30 日，先前的 Amazon SageMaker Studio 體驗現在已命名為 Amazon SageMaker Studio Classic。以下章節是使用更新後的 Studio 體驗所特有的。如需使用 Studio Classic 應用程式的相關資訊，請參閱 Amazon SageMaker Studio Classic。

在 Amazon SageMaker Studio 中，透過首頁或左側面板上的首頁選單開啟 JumpStart 登陸頁面。這會開啟SageMaker JumpStart登陸頁面，您可以在其中探索模型中樞並搜尋模型。

  • 在 首頁JumpStart的預先建置和自動化解決方案窗格中選擇 。

  • 從左側面板的主選單中，導覽至JumpStart節點。

如需開始使用 Amazon SageMaker Studio 的詳細資訊，請參閱 Amazon SageMaker Studio。

從 Studio 的SageMaker JumpStart登陸頁面，您可以探索任何包含組織允許列出模型的私有模型中樞。如果您只能存取一個模型中樞，則SageMaker JumpStart登陸頁面會直接將您帶入該中樞。如果您可以存取多個中樞，系統會將您帶往中樞頁面。

如需在 Studio 中微調、部署和評估可存取的模型的詳細資訊，請參閱 在 Studio 中使用基礎模型。

使用 SageMaker Python 存取您的私有模型中樞 SDK

您可以使用 SageMaker Python 存取私有模型中樞SDK。您的管理員會提供讀取、使用或編輯您策畫中樞的存取權。

注意

如果 中樞在帳戶之間共用，則 HUB_NAME 必須是中樞 ARN。如果未跨帳戶共用集線器，則 HUB_NAME可以是集線器名稱。

  1. 安裝 SageMaker Python SDK並匯入必要的 Python 套件。

    # 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. 初始化 SageMaker 工作階段，並使用中樞名稱和區域連線至您的私有中樞。

    # 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. 連線至私有中樞後，您可以使用下列命令列出該中樞中的所有可用模型：

    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. 您可以使用模型名稱搭配下列命令，取得有關特定模型的詳細資訊：

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

如需使用 SageMaker Python 微調和部署可存取的模型的詳細資訊SDK，請參閱 搭配 使用基礎模型 SageMaker Python SDK。