Greifen Sie auf kuratierte Model Hubs in Amazon zu SageMaker JumpStart - Amazon SageMaker

Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

Greifen Sie auf kuratierte Model Hubs in Amazon zu SageMaker JumpStart

Sie können entweder über Studio oder über das SageMaker Python-SDK auf einen privaten Model-Hub zugreifen.

Greifen Sie in Studio auf Ihren privaten Model-Hub zu

Wichtig

Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich speziell auf die Nutzung des aktualisierten Studio-Erlebnisses. Informationen zur Verwendung der Studio Classic-Anwendung finden Sie unterAmazon SageMaker Studio Classic.

Öffnen Sie in Amazon SageMaker Studio die JumpStart Landing Page entweder über die Startseite oder das Home-Menü auf der linken Seite. Dadurch wird die SageMaker JumpStartLandingpage geöffnet, auf der Sie Model-Hubs erkunden und nach Modellen suchen können.

  • Wählen Sie auf der Startseite JumpStartim Bereich Vorgefertigte und automatisierte Lösungen aus.

  • Navigieren Sie über das Home-Menü im linken Bereich zum JumpStartKnoten.

Weitere Informationen zu den ersten Schritten mit Amazon SageMaker Studio finden Sie unterAmazon SageMaker Studio.

Auf der SageMaker JumpStartLandingpage in Studio können Sie alle privaten Model-Hubs erkunden, die Modelle für Ihr Unternehmen enthalten, die auf der Zulassungsliste aufgeführt sind. Wenn Sie nur Zugriff auf einen Model-Hub haben, gelangen Sie über die SageMaker JumpStartLandingpage direkt zu diesem Hub. Wenn Sie Zugriff auf mehrere Hubs haben, werden Sie zur Hubs-Seite weitergeleitet.

Weitere Informationen zur Feinabstimmung, Bereitstellung und Evaluierung von Modellen, auf die Sie in Studio Zugriff haben, finden Sie unter. Verwenden Sie Foundation-Modelle in Studio

Greifen Sie mit dem SageMaker Python-SDK auf Ihren privaten Model-Hub zu

Sie können mit dem SageMaker Python-SDK auf Ihren privaten Model-Hub zugreifen. Ihr Zugriff zum Lesen, Verwenden oder Bearbeiten Ihres kuratierten Hubs wird von Ihrem Administrator bereitgestellt.

Anmerkung

Wenn ein Hub von mehreren Konten gemeinsam genutzt wird, HUB_NAME muss es sich um den Hub-ARN ARN. Wenn ein Hub nicht von mehreren Konten gemeinsam genutzt wird, HUB_NAME kann dies der Hub-Name sein.

  1. Installieren Sie das SageMaker Python-SDK und importieren Sie die erforderlichen Python-Pakete.

    # Install the SageMaker Python SDK !pip3 install sagemaker --force-reinstall --quiet # Import the necessary Python packages import boto3 from sagemaker import Session from sagemaker.jumpstart.hub.hub import Hub from sagemaker.jumpstart.model import JumpStartModel from sagemaker.jumpstart.estimator import JumpStartEstimator
  2. Initialisieren Sie eine SageMaker Sitzung und stellen Sie mithilfe des Hub-Namens und der Region eine Verbindung zu Ihrem privaten Hub her.

    # If a hub is shared across accounts, then the HUB_NAME must be the hub ARN HUB_NAME="Example-Hub-ARN" REGION="us-west-2" # Initialize a SageMaker session sm_client = boto3.client('sagemaker') sm_runtime_client = boto3.client('sagemaker-runtime') session = Session(sagemaker_client=sm_client, sagemaker_runtime_client=sm_runtime_client) # Initialize the private hub hub = Hub(hub_name=HUB_NAME, sagemaker_session=session)
  3. Nachdem Sie eine Verbindung zu einem privaten Hub hergestellt haben, können Sie mit den folgenden Befehlen alle verfügbaren Modelle in diesem Hub auflisten:

    response = hub.list_models() models = response["hub_content_summaries"] while response["next_token"]: response = hub.list_models(next_token=response["next_token"]) models.extend(response["hub_content_summaries"]) print(models)
  4. Mit dem folgenden Befehl können Sie anhand des Modellnamens weitere Informationen zu einem bestimmten Modell abrufen:

    response = hub.describe_model(model_name="example-model") print(response)

Weitere Informationen zur Feinabstimmung und Bereitstellung von Modellen, auf die Sie mit dem SageMaker Python-SDK Zugriff haben, finden Sie unterVerwenden Sie Foundation-Modelle mit dem SDK SageMaker Python.