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。
建立模型群組
模型群組包含不同版本的模型。您可以建立模型群組，來追蹤為以解決特定問題而訓練的所有模型。使用 AWS SDK for Python (Boto3) 或 Amazon SageMaker Studio 主控台建立模型群組。
建立模型群組 (Boto3)
重要
允許 Amazon SageMaker Studio 或 Amazon SageMaker Studio Classic 建立 Amazon SageMaker 資源的自訂 IAM 政策也必須授予許可，才能將標籤新增至這些資源。需要將標籤新增至資源的許可，因為 Studio 和 Studio Classic 會自動標記他們建立的任何資源。如果 IAM 政策允許 Studio 和 Studio Classic 建立資源，但不允許標記，則嘗試建立資源時可能會發生「AccessDenied」錯誤。如需詳細資訊，請參閱提供標記 SageMaker AI 資源的許可。
AWS Amazon SageMaker AI 的 受管政策 提供建立 SageMaker 資源的許可，已包含建立這些資源時新增標籤的許可。
若要使用 Boto3 建立模型群組，請呼叫 create_model_package_group API 操作，並將名稱和描述指定為參數。下列範例展示如何建立模型群組。create_model_package_group 呼叫的回應是新模型群組的 Amazon Resource Name (ARN)。
首先，匯入所需的套件並設定 SageMaker AI Boto3 用戶端。
import time import os from sagemaker import get_execution_role, session import boto3 region = boto3.Session().region_name role = get_execution_role() sm_client = boto3.client('sagemaker', region_name=region)
現在建立模型群組。
import time model_package_group_name = "scikit-iris-detector-" + str(round(time.time())) model_package_group_input_dict = { "ModelPackageGroupName" : model_package_group_name, "ModelPackageGroupDescription" : "Sample model package group" } create_model_package_group_response = sm_client.create_model_package_group(**model_package_group_input_dict) print('ModelPackageGroup Arn : {}'.format(create_model_package_group_response['ModelPackageGroupArn']))
建立模型群組 (Studio 或 Studio Classic)
若要在 Amazon SageMaker Studio 主控台中建立模型群組，請根據您使用的是 Studio 還是 Studio Classic，完成下列步驟。
