Modèles spécifiques aux tâches

JumpStart prend en charge des modèles spécifiques aux tâches pour 15 des types de problèmes les plus courants. Parmi les types de problèmes pris en charge, Vision et les NLP types connexes sont au total treize. Il existe huit types de problèmes qui permettent un entraînement progressif et un réglage fin. Pour plus d'informations sur l'entraînement incrémentiel et le réglage des hyperparamètres, consultez la section Réglage SageMaker automatique du modèle. JumpStart prend également en charge quatre algorithmes populaires pour la modélisation des données tabulaires.

Vous pouvez rechercher et parcourir les modèles depuis la page JumpStart d'accueil dans Studio ou Studio Classic. Lorsque vous sélectionnez un modèle, la page de détails du modèle fournit des informations sur le modèle et vous pouvez entraîner et déployer votre modèle en quelques étapes. La section de description décrit ce que vous pouvez faire avec le modèle, les types d'entrées et de sorties attendus, et le type de données nécessaire pour affiner votre modèle.

Vous pouvez également utiliser des modèles par programmation avec le PythonSageMaker . SDK Pour une liste de tous les modèles disponibles, consultez le tableau des modèles JumpStart disponibles.

La liste des types de problèmes et les liens vers leurs exemples de bloc-notes Jupyter sont résumés dans le tableau suivant.

Types de problèmes	Prise en charge de l'inférence avec des modèles pré-entraînés	Entraînable sur un jeu de données personnalisé	Cadres pris en charge	Exemples de blocs-notes
Classification d’images	Oui	Oui	PyTorch, TensorFlow	Présentation de la JumpStart classification des images
Détection d'objets	Oui	Oui	PyTorch, TensorFlow, MXNet	Présentation de la JumpStart détection d'objets
Segmentation sémantique	Oui	Oui	MXNet	Présentation de la JumpStart segmentation sémantique
Segmentation d'instances	Oui	Oui	MXNet	Présentation de JumpStart - Segmentation des instances
Intégration d'images	Oui	Non	TensorFlow, MXNet	Présentation de l' JumpStart intégration d'images
Classification de texte	Oui	Oui	TensorFlow	Introduction à la JumpStart classification des textes
Classification des paires de phrases	Oui	Oui	TensorFlow, Hugging Face	Introduction à la JumpStart classification par paires de phrases
Réponse aux questions	Oui	Oui	PyTorch, Hugging Face	Introduction à JumpStart — Réponses aux questions
Reconnaissance des entités nommées (NER)	Oui	Non	Hugging Face	Introduction à la JumpStart reconnaissance des entités nommées
Synthèse de texte	Oui	Non	Hugging Face	Introduction à la JumpStart synthèse de textes
Génération de texte	Oui	Non	Hugging Face	Présentation de la JumpStart génération de texte
Algorithme de traduction	Oui	Non	Hugging Face	Introduction à JumpStart la traduction automatique
Intégration de texte	Oui	Non	TensorFlow, MXNet	Présentation de l' JumpStart incorporation de texte
Classification tabulaire	Oui	Oui	GBMApprenant léger CatBoostXGBoost,, AutoGluon tabulaire TabTransformer, linéaire	Introduction à la JumpStart classification tabulaire légèreGBM, CatBoost Présentation de JumpStart - Classification tabulaire -XGBoost, Linear Learner Introduction à la JumpStart classification tabulaire - Apprenant AutoGluon Introduction à la JumpStart classification tabulaire - Apprenant TabTransformer
Régression tabulaire	Oui	Oui	GBMApprenant léger CatBoostXGBoost,, AutoGluon tabulaire TabTransformer, linéaire	Introduction à la JumpStart régression tabulaire - GBM Légère, CatBoost Introduction à JumpStart — Régression tabulaire -XGBoost, Linear Learner Introduction à la JumpStart régression tabulaire - Learner AutoGluon Introduction à la JumpStart régression tabulaire - Learner TabTransformer