Model Pemrograman untuk Amazon SageMaker

Melakukan API panggilan langsung dari kode tidak praktis, dan mengharuskan Anda menulis kode untuk mengautentikasi permintaan Anda. Amazon SageMaker menyediakan alternatif berikut:

• Gunakan SageMaker konsol —Dengan konsol, Anda tidak menulis kode apa pun. Anda menggunakan UI konsol untuk memulai pelatihan model atau menerapkan model. Konsol berfungsi dengan baik untuk pekerjaan sederhana, di mana Anda menggunakan algoritme pelatihan bawaan dan Anda tidak perlu memproses data pelatihan terlebih dahulu.

   

• Ubah contoh notebook Jupyter — SageMaker menyediakan beberapa notebook Jupyter yang melatih dan menyebarkan model menggunakan algoritme dan kumpulan data tertentu. Mulailah dengan notebook yang memiliki algoritme yang sesuai dan modifikasi untuk mengakomodasi sumber data dan kebutuhan spesifik Anda.

   

• Tulis pelatihan model dan kode inferensi dari awal - SageMaker menyediakan beberapa AWS SDKbahasa (tercantum dalam ikhtisar) dan Amazon SageMaker Python SDK, pustaka Python tingkat tinggi yang dapat Anda gunakan dalam kode Anda untuk memulai pekerjaan pelatihan model dan menerapkan model yang dihasilkan.

   

  • SageMaker Python —Pustaka Python SDK ini menyederhanakan pelatihan dan penerapan model. Selain mengautentikasi permintaan Anda, pustaka mengabstraksi spesifik platform dengan menyediakan metode sederhana dan parameter default. Sebagai contoh:

     

    • Untuk menerapkan model Anda, Anda hanya memanggil deploy() metode. Metode ini membuat artefak SageMaker model, konfigurasi titik akhir, lalu menyebarkan model pada titik akhir.

       

    • Jika Anda menggunakan skrip kerangka kerja khusus untuk pelatihan model, Anda memanggil fit() metode. Metode ini membuat file.gzip skrip Anda, mengunggahnya ke lokasi Amazon S3, lalu menjalankannya untuk pelatihan model, dan tugas lainnya. Untuk informasi selengkapnya, lihat Kerangka Kerja dan Bahasa Machine Learning.

       

    • Untuk mengatur default SageMaker API panggilan yang dibuat oleh SageMaker PythonSDK, Anda menggunakan kamus konfigurasi default. Untuk informasi selengkapnya, lihat Mengkonfigurasi dan menggunakan default dengan Python. SageMaker SDK

       

  • The AWS SDKs— SDKs Menyediakan metode yang sesuai dengan SageMaker API (lihat Operations). Gunakan SDKs untuk memulai pekerjaan pelatihan model secara terprogram dan menjadi tuan rumah model di. SageMaker SDKklien menangani otentikasi untuk Anda, jadi Anda tidak perlu menulis kode otentikasi. Mereka tersedia dalam berbagai bahasa dan platform. Untuk informasi selengkapnya, lihat daftar sebelumnya di ikhtisar.

     

  DiPanduan untuk mengatur dengan Amazon SageMaker, Anda melatih dan menerapkan model menggunakan algoritme yang disediakan oleh SageMaker. Latihan itu menunjukkan cara menggunakan kedua perpustakaan ini. Untuk informasi selengkapnya, lihat Panduan untuk mengatur dengan Amazon SageMaker.

   

• Integrasikan SageMaker ke dalam alur kerja Apache Spark Anda - SageMaker menyediakan perpustakaan untuk memanggilnya APIs dari Apache Spark. Dengan itu, Anda dapat menggunakan estimator SageMaker berbasis di pipeline Apache Spark. Untuk informasi selengkapnya, lihat Gunakan Apache Spark dengan Amazon SageMaker.