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

若要建立模型，您必須提供模型成品和容器映像的位置。您也可以從模型SageMaker 登錄檔使用模型版本。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 主控台建立模型。

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。

下列範例需要您擁有已註冊模型版本的 ARN，並使用 AWS SDK for Python (Boto3) 呼叫 CreateModel API。對於無伺服器推論， 模型登錄檔目前僅支援適用於 Python AWS SDK(Boto3) 的 。例如，指定下列值：

#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)

下列範例使用 AWS SDK for Python (Boto3) 來呼叫 CreateModel API。指定下列值：

#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)