モデルパッケージを使用してモデルを作成する - Amazon SageMaker

翻訳は機械翻訳により提供されています。提供された翻訳内容と英語版の間で齟齬、不一致または矛盾がある場合、英語版が優先します。

モデルパッケージを使用してモデルを作成する

モデルパッケージを使用し、ホストエンドポイントを作成するか、バッチ変換ジョブを実行して、リアルタイムの推論を得るために使用できるデプロイ可能なモデルを作成します。Amazon SageMaker コンソール、低レベル SageMaker API)、または Amazon SageMaker Python SDK を使用して、モデルパッケージからデプロイ可能なモデルを作成できます。

モデルパッケージを使用してモデルを作成する (コンソール)

モデルパッケージからデプロイ可能なモデルを作成するには (コンソール)
  1. https://console.aws.amazon.com/sagemaker/ で SageMaker コンソールを開きます。

  2. [Model packages (モデルパッケージ)] を選択します。

  3. [My model packages (自分のモデルパッケージ)] タブのリストから作成したモデルパッケージを選択するか、[AWS Marketplace subscriptions (AWS Marketplace サブスクリプション)] タブでサブスクライブしたモデルパッケージを選択します。

  4. [モデルの作成] を選択します。

  5. [モデル名] には、モデルの名前を入力します。

  6. IAM ロール では、ユーザーに代わって他の サービスを呼び出すために必要なアクセス許可を持つ IAM ロールを選択するか、新しいロールの作成を選択して、 が AmazonSageMakerFullAccessマネージドポリシーがアタッチされたロールを作成 SageMaker できるようにします。詳細については、「 SageMaker 実行ロールの使用方法」を参照してください。

  7. [VPC] には、モデルにアクセス権を付与する Amazon VPC を選択します。詳細については、「 SageMaker ホストされたエンドポイントに Amazon のリソースへのアクセスを許可する VPC」を参照してください。

  8. [Container input options (コンテナ入力オプション)] と [Choose model package (モデルパッケージの選択)] はデフォルト値のままにします。

  9. 環境変数には、モデルコンテナに渡す環境変数の名前と値を入力します。

  10. [タグ] には、モデルを管理するためのタグを 1 つ以上指定します。各タグは、キー、および値 (オプション) で構成されます。タグキーはリソースごとに一意である必要があります。

  11. [モデルの作成] を選択します。

デプロイ可能なモデルを作成したら、それを使用してリアルタイム推論用のエンドポイントを設定したり、データセット全体の推論を取得するためのバッチ変換ジョブを作成したりすることができます。でエンドポイントをホストする方法については SageMaker、「推論用のモデルをデプロイする」を参照してください。

モデルパッケージを使用してモデルを作成する (API)

API を使用してモデルパッケージを使用してデプロイ可能なモデルを作成するには、 SageMaker API に渡すContainerDefinitionオブジェクトの ModelPackageNameフィールドとしてモデルパッケージの名前または Amazon リソースネーム (ARN) CreateModel を指定します。

デプロイ可能なモデルを作成したら、それを使用してリアルタイム推論用のエンドポイントを設定したり、データセット全体の推論を取得するためのバッチ変換ジョブを作成したりすることができます。でホストされたエンドポイントの詳細については SageMaker、「推論用のモデルをデプロイする」を参照してください。

モデルパッケージを使用してモデルを作成する (Amazon SageMaker Python SDK

モデルパッケージを使用して SageMaker Python SDK を使用してデプロイ可能なモデルを作成するには、 ModelPackage オブジェクトを初期化し、モデルパッケージの Amazon リソースネーム (ARN) をmodel_package_arn引数として渡します。例:

from sagemaker import ModelPackage model = ModelPackage(role='SageMakerRole', model_package_arn='training-job-scikit-decision-trees-1542660466-6f92', sagemaker_session=sagemaker_session)

デプロイ可能なモデルを作成したら、それを使用してリアルタイム推論用のエンドポイントを設定したり、データセット全体の推論を取得するためのバッチ変換ジョブを作成したりすることができます。でエンドポイントをホストする方法については SageMaker、「推論のモデルをデプロイする」を参照してください。