創建您的 Amazon SageMaker 資源 - AWS Marketplace
建立您的模型套件 建立您的演算法

本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

創建您的 Amazon SageMaker 資源

要發布模型包或算法產品，您必須在 Amazon 中創建相應的模型包資源或算法資源 SageMaker。

當您為 AWS Marketplace 產品建立資源時，必須透過驗證步驟進行認證。驗證步驟需要您提供資料來測試模型套件或演算法資源，然後才能發佈。

注意

如果您尚未為產品建立圖像，並將其上傳到 Amazon Elastic Container Registry (Amazon ECR)，請參閱將程式碼封裝成影像和瞭解如何執上傳您的圖片行此動作的相關資訊。

建立您的模型套件

以下是為其建立模型套件的需求 AWS Marketplace：

  • 存放在 Amazon ECR 中的推論映像

  • (選擇性) 模型成品，分別存放在 Amazon S3

  • 用於推論的測試資料，存放在亞馬遜簡單儲存服務 (Amazon S3)

注意

以下是關於建立模型封裝產品的內容。如需有關中模型套件的詳細資訊 SageMaker，請參閱建立模型 Package 件資源。

建立模型套件資源

下列程序會逐步引導您建立模型套件資源。

步驟 1：建立模型套件資源

  1. 打開 Amazon SageMaker 控制台。

  2. 查看頁面右上角，確保您位於要發佈的 AWS 地區。若要進行發佈，請參閱〈〉一支援 AWS 區域 發佈節。您在先前步驟中上傳至 Amazon ECR 的推論影像必須位於相同區域。

  3. 在左側導覽功能表中，選擇「模型套件」。

  4. 選擇 Create model package (建立模型套件)。

建立套件之後，您需要設定推論套件的規格。

步驟 2：設定推論規格

  1. 為您的模型套件提供「名稱」(例如 my-model-package)。

  2. 對於推論影像的位置，請輸入上傳到 Amazon ECR 的推論映像檔的 URI。您可以透過在 Amazon ECR 主控台中尋找映像來擷取 URI。

  3. 如果訓練中的模型加工品與推論影像中的邏輯捆綁在一起，請將模型資料加工品的位置保留空白。否則，請指定模型成品壓縮檔案 (.tar.gz) 的完整 Amazon S3 位置。

  4. 使用下拉式方塊，針對即時推論 (也稱為端點) 和批次轉換工作，選擇推論映像檔支援的執行個體類型。

  5. 選擇下一步。

在您的模型套件可以建立和發佈之前，必須先驗證才能確保模型套件如預期般運作。這需要您執行包含測試資料的批次轉換工作，以供您提供的推論。驗證規格會告訴 SageMaker 如何執行驗證。

步驟 3：設定驗證規格

  1. 將「發佈此模型套件」設定 AWS Marketplace為 「是」。如果將此設定為「否」，則稍後無法發佈此模型套件。選擇 「是」 會認證您的模型套件， AWS Marketplace 且需要驗證步驟。

  2. 如果這是第一次完成此程序，請選擇為 IAM 角色建立新角色。Amazon SageMaker 會在部署您的模型套件時使用此角色。這包括動作，例如從 Amazon ECR 提取圖像和 Amazon S3 的成品。檢閱設定，然後選擇 [建立角色]。 在此建立角色會將 AmazonSageMakerFullAccessIAM 政策描述的許可授予您建立的角色。

  3. 編輯驗證設定檔中的 JSON。 如需有關允許值的詳細資訊，請參閱TransformJobDefinition。

    1. TransformInput.DataSource.S3Uri：設定為推論測試資料的儲存位置。

    2. TransformInput.ContentType：指定測試資料內容類型 (例如application/json、text/plainimage/png 、或任何其他值)。 SageMaker 不驗證實際的輸入數據。此值會傳遞至Content-type標頭值中的容器 HTTP 端點。

    3. TransformInput.CompressionType：None如果您在 Amazon S3 中進行推論的測試資料未壓縮，則設定為。

    4. TransformInput.SplitType：設定None為將 Amazon S3 中的每個物件作為一個整體傳遞以進行推論。

    5. TransformOutput.S3OutputPath：設定為儲存推論輸出的位置。

    6. TransformOutput.AssembleWith：設定為None將每個推論輸出為 Amazon S3 中的個別物件。

  4. 選擇 Create model package (建立模型套件)。

SageMaker 從 Amazon ECR 提取推論影像、將任何成品複製到推論容器，然後使用測試資料執行批次轉換任務進行推論。驗證成功之後，狀態會變更為「已完成」。

注意

驗證步驟不會使用測試資料評估模型的準確性。驗證步驟會檢查容器是否如預期般執行並回應。

您已完成建立模型產品資源。繼續進行發佈您的產品 AWS Marketplace。

建立您的演算法

以下是為其建立演算法的需求 AWS Marketplace：

  • 存放在 Amazon ECR 中的推論影像

  • 儲存在 Amazon ECR 中的訓練影像

  • 您的訓練測試資料，存放在 Amazon S3

  • 您用於推論的測試資料，存放在 Amazon S3

注意

以下逐步解說會建立演算法產品。如需詳細資訊，請參閱建立演算法資源。

建立演算法資源

下列程序會逐步引導您在演算法套件中建立資源。

第 1 步：創建算法資源

  1. 打開 Amazon SageMaker 控制台。

  2. 查看頁面右上角，確保您位於要發佈的 AWS 地區 (請參閱支援 AWS 區域 發佈)。您在先前步驟中上傳至 Amazon ECR 的訓練和推論影像必須位於同一區域。

  3. 在左側導覽功能表中，選擇「演算法」。

  4. 選擇建立演算法。

建立演算法套件之後，您必須設定模型訓練和調整的規格。

步驟 2：設定訓練與調校規格

  1. 輸入演算法的名稱 (例如，我的演算法)。

  2. 對於訓練映像，請貼上已上傳至 Amazon ECR 之訓練映像的完整 URI 位置。您可以透過在 Amazon ECR 主控台中尋找映像來擷取 URI。

  3. 使用下拉式方塊，選擇訓練映像檔支援的訓練執行個體類型。

  4. 在「頻道規格」區段下，為演算法支援的每個輸入資料集新增一個通道，最多 20 個輸入來源通道。如需詳細資訊，請參閱輸入資料組態。

  5. 選擇下一步。

  6. 如果您的演算法支援超參數和超參數調整，您必須指定調整參數。

  7. 選擇下一步。

注意

我們強烈建議您的演算法支援超參數調整，並可調整適當的參數。這使數據科學家可以調整模型以獲得最佳結果。

設定調整參數之後，如果有的話，您必須設定推論影像的規格。

步驟 3：設定推論影像規格

  1. 對於推論影像的位置，請貼上已上傳至 Amazon ECR 的推論映像檔的 URI。您可以透過在 Amazon ECR 主控台中尋找映像來擷取 URI。

  2. 使用下拉式方塊，為即時推論 (也稱為端點) 和批次轉換工作的推論映像檔選擇支援的執行個體類型。

  3. 選擇下一步。

在您的演算法可以建立和發佈之前，驗證是必要的，以確保它能如預期般運作。如此一來，您必須同時執行包含訓練測試資料的訓練工作，以及包含您提供的推論測試資料的批次轉換工作。驗證規格會告訴 SageMaker 如何執行驗證。

步驟 4：設定驗證規格

  1. 將「發佈此演算法於」設定 AWS Marketplace為 「是」。如果將此設定為「否」，則稍後無法發佈此演算法。選擇 「是」 可認證您的演算法， AWS Marketplace 且需要驗證規格。

  2. 如果這是您第一次為其建立機器學習套件 AWS Marketplace，請選擇 [建立 IAM 角色的新角色]。Amazon SageMaker 在訓練演算法和部署後續模型套件時使用此角色。這包括從 Amazon ECR 提取影像、在 Amazon S3 中存放成品，以及從 Amazon S3 複製訓練資料等動作。檢閱設定，然後選擇 [建立角色]。 在此建立角色會將 AmazonSageMakerFullAccessIAM 政策描述的許可授予您建立的角色。

  3. 在訓練工作定義的驗證設定檔中編輯 JSON 檔案。如需允許值的詳細資訊，請參閱 TrainingJobDefinition。

    1. InputDataConfig：在此 JSON 數組中，為您在訓練規範步驟中指定的每個通道添加一個 Channel 對象。針對每個通道，指定訓練測試資料的儲存位置。

    2. OutputDataConfig：訓練完成後，訓練容器目錄路徑中的模型成品/opt/ml/model/會壓縮並複製到 Amazon S3。指定存放壓縮檔案 (.tar.gz) 的 Amazon S3 位置。

  4. 在轉換工作定義的驗證設定檔中編輯 JSON 檔案。如需允許值的詳細資訊，請參閱 TransformJobDefinition。

    1. TransformInput.DataSource.S3Uri：設定為推論測試資料的儲存位置。

    2. TransformInput.ContentType：指定測試資料內容類型。例如，application/json、text/plainimage/png、或任何其他值。Amazon SageMaker 不驗證實際的輸入數據。此值會傳遞至Content-type標頭值中的容器 HTTP 端點。

    3. TransformInput.CompressionType：None如果您在 Amazon S3 中進行推論的測試資料未壓縮，則設定為。

    4. TransformInput.SplitType：選擇 S3 中的物件分割方式。例如，將 Amazon S3 中的每個物件作為一個整體None傳遞以進行推論。如需詳細資訊，請 SplitType參閱 Amazon SageMaker API 參考中的。

    5. TransformOutput.S3OutputPath：設定為儲存推論輸出的位置。

    6. TransformOutput.AssembleWith：設定為None將每個推論輸出為 Amazon S3 中的個別物件。

  5. 選擇建立演算法套件。

SageMaker 從 Amazon ECR 擷取訓練影像、使用您的資料執行測試訓練任務，並將模型成品存放在 Amazon S3 中。然後，它會從 Amazon ECR 提取推論影像，將成品從 Amazon S3 複製到推論容器，然後使用測試資料執行批次轉換任務進行推論。驗證成功之後，狀態會變更為「已完成」。

注意

驗證步驟不會使用測試資料評估訓練或模型的準確性。驗證步驟會檢查容器是否如預期般執行並回應。

驗證步驟只會驗證批次處理。您可以自行驗證即時處理是否適用於您的產品。

您已完成演算法產品資源的建立。繼續進行發佈您的產品 AWS Marketplace。