As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.
Fazer chamadas de API diretamente do código é complicado e exige que você escreva um código para autenticar suas solicitações. A Amazon SageMaker AI oferece as seguintes alternativas:
-
Use o console de SageMaker IA — Com o console, você não escreve nenhum código. Você usa a interface de usuário do console para iniciar o treinamento ou implantar um modelo. O console funciona bem para trabalhos simples, nos quais você usa um algoritmo de treinamento integrado e não precisa pré-processar dados de treinamento.
-
Modifique os exemplos de notebooks Jupyter — A SageMaker IA fornece vários notebooks Jupyter que treinam e implantam modelos usando algoritmos e conjuntos de dados específicos. Comece com um caderno que tenha um algoritmo adequado e modifique-o para acomodar sua fonte de dados e suas necessidades específicas.
-
Escreva código de treinamento e inferência de modelos do zero — a SageMaker IA fornece várias linguagens de AWS SDK (listadas na visão geral) e o Amazon Python SDK, uma biblioteca SageMaker Python
de alto nível que você pode usar em seu código para iniciar trabalhos de treinamento de modelos e implantar os modelos resultantes. -
O SDK do SageMaker Python — essa biblioteca do Python simplifica o treinamento e a implantação de modelos. Além de autenticar as solicitações, a biblioteca abstrai informações específicas da plataforma fornecendo métodos simples e parâmetros padrão. Por exemplo:
-
Para implantar o modelo, você chama apenas o método
deploy(). O método cria um artefato de modelo de SageMaker IA, uma configuração de endpoint e, em seguida, implanta o modelo em um endpoint. -
Se você usar um script de framework personalizado para treinamento de modelo, chame o método
fit(). O método cria um arquivo .gzip do seu script, faz upload dele para um local do Amazon S3 e, depois, o executa para treinamento de modelo e outras tarefas. Para obter mais informações, consulte Linguagens e frameworks de Machine Learning. -
Para definir padrões para chamadas de SageMaker API feitas pelo SDK do AI SageMaker Python, você usa um dicionário de configuração padrão. Para obter mais informações, consulte Como configurar e usar padrões com o SDK do Python SageMaker
.
-
-
O AWS SDKs — Os métodos de SDKs fornecimento que correspondem à SageMaker API (consulte
Operations). Use o SDKs para iniciar programaticamente um trabalho de treinamento de modelo e hospedar o modelo na SageMaker IA. Os clientes do SDK gerenciam a autenticação para você, então você não precisa escrever um código de autenticação. Eles estão disponíveis em várias linguagens e plataformas. Para obter mais informações, consulte a lista anterior na visão geral.
EmGuia para se configurar com o Amazon SageMaker AI, você treina e implanta um modelo usando um algoritmo fornecido pela SageMaker IA. O exercício mostra como usar as duas bibliotecas. Para obter mais informações, consulte Guia para se configurar com o Amazon SageMaker AI.
-
-
Integre a SageMaker IA ao seu fluxo de trabalho do Apache Spark — a SageMaker IA fornece uma biblioteca para chamá-la APIs do Apache Spark. Com ele, você pode usar estimadores SageMaker baseados em IA em um pipeline do Apache Spark. Para obter mais informações, consulte Apache Spark com Amazon AI SageMaker .
