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。
若要建立模型，您必須提供模型成品和容器映像的位置。您還可以使用 SageMaker 模型註冊表中的模型版本。以下各節中的範例說明如何使用 CreateModel API、模型登錄檔和 Amazon SageMaker AI 主控台
若要建立模型 (使用模型註冊表)
模型登錄是 SageMaker AI 的一項功能，可協助您為模型的版本編製目錄和管理，以用於 ML 管道。若要將模型註冊表與無伺服器推論搭配使用，您必須先在模型註冊表的模型群組中，註冊模型版本。若要了解如何在模型註冊表中註冊模型，請遵循建立模型群組和註冊模型版本中的程序。
下列範例會要求您擁有已註冊模型版本的 ARN，並使用適用於 Python 的AWS SDK (Boto3)
在
model_name中，輸入模型的名稱。對於
sagemaker_role，您可以使用預設的 SageMaker AI 建立角色，或從 完成先決條件 區段的步驟 4 自訂 SageMaker AI IAM 角色。在
ModelPackageName中，為您的模型版本指定 ARN，該 ARN 必須註冊至模型註冊表中的模型群組。
#Setup
import boto3
import sagemaker
region = boto3.Session().region_name
client = boto3.client("sagemaker", region_name=region)
#Role to give SageMaker AI permission to access AWS services.
sagemaker_role = sagemaker.get_execution_role()
#Specify a name for the model
model_name = "<name-for-model>"
#Specify a Model Registry model version
container_list = [
{
"ModelPackageName": <model-version-arn>
}
]
#Create the model
response = client.create_model(
ModelName = model_name,
ExecutionRoleArn = sagemaker_role,
container_list
)建立模型 (使用 API)
下列範例會使用適用於 Python 的AWS SDK (Boto3)
#Setup
import boto3
import sagemaker
region = boto3.Session().region_name
client = boto3.client("sagemaker", region_name=region)
#Role to give SageMaker AI permission to access AWS services.
sagemaker_role = sagemaker.get_execution_role()
#Get model from S3
model_url = "s3://amzn-s3-demo-bucket/models/model.tar.gz"
#Get container image (prebuilt example)
from sagemaker import image_uris
container = image_uris.retrieve("xgboost", region, "0.90-1")
#Create model
model_name = "<name-for-model>"
response = client.create_model(
ModelName = model_name,
ExecutionRoleArn = sagemaker_role,
Containers = [{
"Image": container,
"Mode": "SingleModel",
"ModelDataUrl": model_url,
}]
)建立模型 (使用主控台)
-
在導覽索引標籤中，選擇推論。
-
接下來，選擇模型。
-
選擇建立模型。
-
針對模型名稱，輸入您帳戶獨有的模型名稱，以及 AWS 區域。
-
針對 IAM 角色，請選取您已建立的 IAM 角色 （請參閱完成先決條件)，或允許 SageMaker AI 為您建立角色。
-
在容器定義 1 中，對於容器輸入選項，選取提供模型成品和輸入位置。
-
在提供模型成品和推論影像選項中，選取使用單一模型。
-
在推論程式碼影像的位置中，請輸入容器的 Amazon ECR 路徑。映像必須是 SageMaker AI 提供的第一方映像 （例如 TensorFlow、XGBoost)，或是位於您建立端點之相同帳戶中 Amazon ECR 儲存庫中的映像。如果您沒有容器，請傳回完成先決條件本節的步驟 6 以取得更多資訊。
-
在模型成品的位置中，請將 Amazon S3 URI 輸入到您的機器學習 (ML) 模型。例如：
s3://amzn-s3-demo-bucket/models/model.tar.gz -
(選用) 在標籤中，新增鍵值對以建立裝置的中繼資料。
-
選擇建立模型。
