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。

建立模型裝置

您可以使用 SageMaker 控制台或 SageMaker Python 創建 Amazon SageMaker 模型卡SDK。您也可以直接使用這些API操作。若要取得有關API作業的更多資訊，請參閱通過低級使用模型卡 APIs。

使用 SageMaker 主控台建立模型卡

轉到 Amazon 控 SageMaker 制台。在瀏覽窗格的 控管 下，請選擇 模型卡。選擇右上角的 建立模型卡。

遵循建立模型卡提示中的四個步驟，記錄有關您模型的詳細資訊。

步驟 1：輸入模型詳細資訊和預定用途

如果您的模型是 AWS 資源，請在此欄位中指定確切的模型名稱以自動填入模型詳細資訊。若要瀏覽現有型號名稱，請參閱 Amazon SageMaker 主控台中的模型。每個唯一的模型名稱只能有一個關聯的模型卡。

如果您的模型不是 AWS 資源，請為您的模型提供唯一的名稱。若要將模型新增為 AWS 資源，請參閱 Amazon SageMaker 開發人員指南中的建立模型。或者，您可以使用 SageMakerMarketplace 或模型登錄將模型新增為SageMaker 模型套件。

如需預期用途的更多資訊，請參閱模型的預期用途。如需風險評等的更多資訊，請參閱風險評等。

步驟 2：輸入訓練詳細資訊

將任何訓練詳細資訊、訓練觀察、資料集、超參數，以及有關模型目標函式的詳細資訊新增至模型卡。

模型卡中的目標函式可以是訓練期間最佳化的任何特徵。這可以包括但不限於成本函式、損失函式或目標指標。在本節中，記錄對訓練您的模型而言最重要的目標函式。

我們建議您將您目標函式的以下屬性編入目錄：

例如，您可以將二進位分類問題 (描述) 的交叉熵損失 (指標) 最小化 (最佳化方向)，或將邏輯迴歸的可能性最大化。此外，您可以提供有關為什麼選擇此目標函式而不是其他特徵的附註。

步驟 3：輸入評估詳細資訊

如果您現有的評估報告由 SageMaker 澄清或模型監視器產生，請URI為這些報告提供 S3，或手動上傳它們以將其新增至模型卡。

如需有關 SageMaker 澄清的詳細資訊，請參閱執行 SageMaker 澄清處理工作以進行偏差分析和解釋。

如需有關使用模型監控監視模型品質指標中偏離的更多資訊，請參閱監視模型品質。

若要新增您自己的評估報告，請選擇一般模型卡評估。所有模型卡評估報告都必須在模型卡JSON架構。

步驟 4：輸入其他詳細資訊

新增自訂模型卡詳細資訊欄位欄位，以取得您要在模型卡上解釋的任何其他資訊。例如，您可能會包含具有個人理財值的企業營運自訂欄位。

儲存模型卡

檢視模型卡中的資訊後，請選擇右下角的儲存，以儲存您的模型卡。

使用 SageMaker Python 創建一個模型卡 SDK

在建立模型卡之前，您必須先定義您模型卡的內容。使用 SageMaker Python 時SDK，模型內容包含模型概述、訓練詳細資料、預期用途、評估詳細資料和其他資訊。

您可以為下列項目建立模型卡：

您也可以建立模型卡，而不將任何模型與其關聯。

我們建議將您訓練過的模型新增至 SageMaker 模型登錄。模型註冊表可協助您將模型編入目錄並追蹤模型版本。建立模型卡時，模型註冊表中有關模型的資訊會自動填入模型卡。建立模型卡後，您可以編輯模型卡或新增資訊。

如需使用模型註冊表的更多資訊，請參閱使用模型註冊表註冊和部署模型。如需有關從模型註冊表建立模型卡的資訊，請參閱在模型登錄中為模型建立 SageMaker 模型卡。

若要為不在模型登錄中的模型建立 SageMaker 模型卡，請參閱建立一個不在模型註冊表中的模型。

建立一個不在模型註冊表中的模型

使用以下各節中的資訊，為尚未新增至模型註冊表的模型建立模型卡。

步驟 1：定義模型概述

定義您模型的概觀。

model_overview = ModelOverview.from_model_name(
model_name=model_name,
sagemaker_session=sagemaker_session,
model_description="A-description-of-your-model",
problem_type="Problem-type", # For example, "Binary Classification"
algorithm_type="Algorithm-type", # For example, "Logistic Regression"
model_creator="Name-of-model-creator",
model_owner="Name-of-model-owner",
)

如果您的模型是 AWS 資源，則會自動擷取概觀資訊ARN，例如模型URI、推論容器和模型加工品的 S3 位置。使用下列指令列印關聯的 AWS 中繼資料：

print(model_overview.model_id)
print(model_overview.inference_environment.container_image)
print(model_overview.model_artifact)

步驟 2：定義訓練詳細資訊

若要定義您的模型訓練詳細資訊，您必須先定義其目標函式。

objective_function = ObjectiveFunction(
    function=Function(
        function=ObjectiveFunctionEnum.MINIMIZE,
        facet=FacetEnum.LOSS,
    ),
    notes="An-explanation-about-objective-function",
)

接下來，您可以使用現有的模型概觀、作業階段和目標函式來定義訓練詳細資訊。在此處新增任何的訓練觀察。

training_details = TrainingDetails.from_model_overview(
    model_overview=model_overview,
    sagemaker_session=sagemaker_session,
    objective_function=objective_function,
    training_observations="Model-training-observations",
)

再一次，如果您的模型是 AWS 資源，則會自動填入某些訓練詳細資料。使用下列命令列印訓練工作ARNURI、訓練容器和訓練指標：

print(training_details.training_job_details.training_arn)
print(training_details.training_job_details.training_environment.container_image) 
print([{"name": i.name, "value": i.value} for i in training_details.training_job_details.training_metrics]) 

定義評估詳細資訊

若要定義您模型評估的詳細資訊，您必須先定義一或多個指標群組，以說明用於任何評估任務的指標。

my_metric_group = MetricGroup(
name="binary classification metrics",
metric_data=[Metric(name="accuracy", type=MetricTypeEnum.NUMBER, value=0.5)]
)

接下來，您可以使用評估指標和每個評估任務的資料集來定義評估詳細資訊。在此處新增任何評估觀察值，並為您的評估任務提供唯一名稱。

evaluation_details = [
    EvaluationJob(
        name="Example-evaluation-job",
        evaluation_observation="Evaluation-observations",
        datasets=["s3://path/to/evaluation/data"],
        metric_groups=[my_metric_group],
    )
]

如果您有由SageMaker澄清或SageMaker 模型監控產生的現有評估報告，請將它們上傳到 Amazon S3，並提供 S3 URI 以自動剖析評估指標。若要新增您自己的一般模型卡評估報告，請以評估結果JSON格式提供報表。

report_type = "clarify_bias.json"
example_evaluation_job.add_metric_group_from_json(
    f"example_metrics/{report_type}", EvaluationMetricTypeEnum.CLARIFY_BIAS
) 

步驟 3：定義預期用途

定義模型的預定用途，包括模型的一般用途以及模型預定的使用案例。還建議您在特定使用案例中加入任何可能具有此模型有效性的因素，以及您組織對模型的風險評等。如需更多資訊，請參閱模型的預期用途和風險評等。

intended_uses = IntendedUses(
purpose_of_model="Purpose-of-the-model",
intended_uses="The-intended-uses-of-this-model",
factors_affecting_model_efficiency="Any-factors-effecting-model-efficacy",
risk_rating=RiskRatingEnum.LOW,
explanations_for_risk_rating="Explanation-for-low-risk-rating",
)

定義其他資訊

最後，您可以在模型卡中新增其他自訂資訊。您可以記錄與模型有關的任何倫理考量、注意事項和建議。您還可以用鍵值對形式新增您想要的任何自訂詳細資訊。

additional_information = AdditionalInformation(
ethical_considerations="Any-ethical-considerations",
caveats_and_recommendations="Any-caveats-and-recommendations",
custom_details={"custom details1": "details-value"},
)

步驟 4：建立模型卡

為模型卡命名，定義模型卡，然後使用該定義使用 SageMaker Python 創建模型卡SDK。

model_card_name = "my-model-card"
my_card = ModelCard(
    name=model_card_name,
    status=ModelCardStatusEnum.DRAFT,
    model_overview=model_overview,
    training_details=training_details,
    intended_uses=intended_uses,
    evaluation_details=evaluation_details,
    additional_information=additional_information,
    sagemaker_session=sagemaker_session,
)
my_card.create()

在模型登錄中為模型建立 SageMaker 模型卡

在開始建立模型卡之前，請確定您已建立模型套件群組和模型套件。如需使用模型註冊表的更多相關資訊，請參閱使用模型註冊表註冊和部署模型。

使用 SageMaker Python SDK 為模型登錄內的模型套件建立 SageMaker 模型卡。模型套件是您訓練過的模型。當您建立模型卡時，Amazon SageMaker 模型卡會自動將模型套件中的資料匯入模型卡。

當您為模型套件建立模型卡時，Amazon SageMaker Model Card 會使用此DescribeModelPackage操作將模型套件中的資料新增至模型卡。以下是可以從模型套件匯入至模型卡的欄位範例：

使用以下代碼來定義模型套件，並從中建立模型卡：

mp_details = ModelPackage.from_model_package_arn(
    model_package_arn="example_model_package_arn",
    sagemaker_session=sagemaker_session,
)

model_card_name = "example-model-card"
my_card = ModelCard(
    name=model_card_name,
    status=ModelCardStatusEnum.status,
    model_package_details=mp_details,
    sagemaker_session=sagemaker_session,
)
my_card.create()
            

對於status，您指定的是模型卡的核准狀態。如果未指定狀態，「 SageMaker 模型卡」會使用預設值DRAFT。如果您未指定 SageMaker 工作階段，「 SageMaker 模型卡」會使用預設 SageMaker 工作階段。

您必須指定模型的名稱和模型套件的 Amazon 資源名稱 (ARN)。如需取得模型套件之 Amazon 資源名稱 (ARN) 的相關資訊，請參閱檢視並更新模型版本 (Boto3) 的詳細資訊。

您從模型套件建立的模型卡可能包含遺失或不正確的資訊。您可以將資訊新增至模型卡或編輯。如需有關管理您模型卡的更多相關資訊，請參閱管理模型卡。

SageMaker 模型登錄支援模型套件的版本控制。您可以版本化模型套件，並為每個版本建立一個模型卡。以前版本的模型卡中的資訊會轉移到以後續版本建立的模型卡。例如，您可以擁有模型套件的版本 1、版本 2 和版本 3。假設您已經為版本 1 建立了模型卡，但尚未為版本 2 建立模型卡。如果您為第 3 版建立模型卡，Amazon SageMaker 模型卡會自動將第 1 版的型號卡中的資訊轉移到第 3 版的型號卡。