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 開發算法和模型 SageMaker

在創建算法和模型包資源以在 Amazon 中使用 SageMaker 或列出之前 AWS Marketplace，您必須先開發它們並將其打包在 Docker 容器中。

開發演算法 SageMaker

算法應打包為 docker 集裝箱並存儲在 Amazon 中ECR以使用它。 SageMakerDocker 容器包含訓練程式碼 (可用來執行訓練任務)，以及選用的推論程式碼 (可用來透過使用演算法訓練的模型取得推論)。

如需有關在中開發演算法 SageMaker 並將其封裝為容器的資訊，請參閱使用 Docker 容器來訓練和部署模型。如需如何建立演算法容器的完整範例，請參閱中的範例筆記本https://sagemaker-examples.readthedocs.io/en/latest/advanced_functionality/scikit_bring_your_own/scikit_bring_your_own.html。您也可以在記事本執行個體中找到範例 SageMaker 筆記本。筆記本位於 Advanced Functionality (進階功能) 區段，名稱為 scikit_bring_your_own.ipynb。如需如何在筆記本執行個體中使用範例筆記本的資訊，請參閱範例筆記本。

在建立要發佈的演算法資源之前，請務必徹底測試您的演算法 AWS Marketplace。

開發模型 SageMaker

中的可部署模型 SageMaker 包含推論程式碼、模型成品、用於存取資源的IAM角色，以及在中部署模型所需的其他資訊。 SageMaker模型成品是使用機器學習演算法訓練模型的結果。推論程式碼必須封裝在 Docker 容器中，並儲存在 Amazon 中。ECR您可以將模型成品封裝在與推論程式碼相同的容器中，或存放於 Amazon S3。

您可以透過在中執行訓練工作 SageMaker，或透過在以外訓練機器學習演算法來建立模型 SageMaker。如果您在中執行訓練工作 SageMaker，則會在回應DescribeTrainingJob作業呼叫時，在ModelArtifacts欄位中找到產生的模型加工品。如需有關如何開發 SageMaker 模型容器的資訊，請參閱使用您自己的推論程式碼。如需如何從外部訓練過的模型建立模型容器的完整範例 SageMaker，請參閱中的範例筆記本https://sagemaker-examples.readthedocs.io/en/latest/advanced_functionality/xgboost_bring_your_own_model/xgboost_bring_your_own_model.html。您也可以在記事本執行個體中找到範例 SageMaker 筆記本。筆記本位於 Advanced Functionality (進階功能) 區段，名稱為 xgboost_bring_your_own_model.ipynb。如需如何在筆記本執行個體中使用範例筆記本的資訊，請參閱範例筆記本。

在建立要發佈的模型套件之前，請務必徹底測試您的模型 AWS Marketplace。