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 中開發演算法和模型 SageMaker

在建立演算法和模型套件資源以在 Amazon 中使用 SageMaker 或在 上列出之前 AWS Marketplace，您必須先開發這些資源，並將其封裝在 Docker 容器中。

在 中開發演算法 SageMaker

演算法應包裝為 Docker 容器，並存放在 Amazon 中ECR，以在 中使用 SageMaker。Docker 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)。

如需在 中開發演算法 SageMaker 並將其封裝為容器的相關資訊，請參閱 用於訓練和部署模型的 Docker 容器。如需如何建立演算法容器的完整範例，請參閱位於 的範例筆記本https://sagemaker-examples.readthedocs.io/en/latest/advanced_functionality/scikit_bring_your_own/scikit_bring_your_own.html。您也可以在筆記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，請參閱存取範例筆記本。

建立演算法資源以在 上發佈之前，請務必徹底測試您的演算法 AWS Marketplace。

在 中開發模型 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IAM的角色，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，並存放在 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 中執行訓練任務 SageMaker，或在 之外訓練機器學習演算法來建立模型 SageMaker。如果您在 中執行訓練任務 SageMaker，產生的模型成品會在回應對DescribeTrainingJob操作的呼叫的 ModelArtifacts 欄位中提供。如需有關如何開發 SageMaker 模型容器的資訊，請參閱 具有自訂推論程式碼的容器。如需如何從在 之外訓練的模型建立模型容器的完整範例 SageMaker，請參閱位於 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。您也可以在筆記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，請參閱存取範例筆記本。

在建立模型套件以在 上發佈之前，請務必徹底測試模型 AWS Marketplace。