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.
Modelo de programação para Amazon SageMaker
Fazer API chamadas diretamente do código é complicado e exige que você escreva um código para autenticar suas solicitações. A Amazon SageMaker oferece as seguintes alternativas:
-
Use o SageMaker console — 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 — SageMaker fornece vários notebooks Jupyter que treinam e implantam modelos usando algoritmos e conjuntos de dados específicos. Comece com um bloco de anotações 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 — SageMaker fornece vários AWS SDKlinguagens (listadas na visão geral) e o Amazon SageMaker PythonSDK, uma biblioteca Python
de alto nível que você pode usar em seu código para iniciar trabalhos de treinamento de modelos e implantar os modelos resultantes. -
O SageMaker Python — SDK Essa biblioteca 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 SageMaker modelo, 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 SageMaker API chamadas feitas pelo SageMaker PythonSDK, você usa um dicionário de configuração padrão. Para obter mais informações, consulte Configurando e usando padrões com o
Python. SageMaker SDK
-
-
O AWS SDKs— SDKs Fornecem métodos que correspondem ao SageMaker API (consulte
Operations
). Use o SDKs para iniciar programaticamente um trabalho de treinamento de modelo e hospedar o modelo em. SageMaker SDKos clientes gerenciam a autenticação para você, então você não precisa escrever o 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 a Amazon SageMaker, você treina e implanta um modelo usando um algoritmo fornecido pelo SageMaker. O exercício mostra como usar as duas bibliotecas. Para obter mais informações, consulte Guia para se configurar com a Amazon SageMaker.
-
-
SageMaker Integre-se ao seu fluxo de trabalho do Apache Spark — SageMaker fornece uma biblioteca para chamá-lo APIs do Apache Spark. Com ele, você pode usar estimadores SageMaker baseados em um pipeline do Apache Spark. Para obter mais informações, consulte Use o Apache Spark com a Amazon SageMaker.