範例和更多資訊：使用您自己的演算法或模型

下列 Jupyter 筆記本和新增資訊說明如何使用您自己的演算法或 Amazon SageMaker 筆記本執行個體的預先訓練模型。如需使用預先建置 Docker 檔案 TensorFlow、MXNet、Chainer 和 PyTorch架構的 GitHub儲存庫連結，以及使用 AWS SDK for Python (Boto3) 估算器在 SageMaker Learner 上執行您自己的訓練演算法的說明，請參閱 SageMaker 適用於深度學習的預建 SageMaker Docker 影像

設定

1. 建立 SageMaker 筆記本執行個體。如需如何建立和存取 Jupyter 筆記本執行個體的相關指示，請參閱 Amazon SageMaker 筆記本實。

2. 開啟您建立的筆記本執行個體。

3. 選擇 [範SageMaker 例] 索引標籤，以取得所有範 SageMaker例記事本的清單。

4. 從筆記本執行個體的 [進階功能] 區段或 GitHub 使用提供的連結開啟範例記事本。若要開啟筆記本，請選擇其 Use (使用) 標籤，然後選擇 Create copy (建立複本)。

託管 Scikit-learn 中訓練的模型

要了解如何託管在 Scikit 中訓練的模型-了解如何 SageMaker 通過將它們注入第一方 k 均值和 XGBoost 容器中來進行預測，請參閱以下示例筆記本。

• kmeans_bring_your_own_model

• xgboost_bring_your_own_model

Package TensorFlow 和 SCIKit 學習模型，適用於 SageMaker

若要了解如何封裝在中開發的演算法，以 TensorFlow 及用於在 SageMaker 環境中進行訓練和部署的 scikit-learn 架構，請參閱下列筆記本。其中示範如何使用 Dockerfile 來建置、登錄和部署您自己的 Docker 容器。

• tensorflow_bring_your_own

• scikit_bring_your_own

訓練和部署神經網路 SageMaker

若要了解如何使用 MXNet 或在本機訓練神經網路 TensorFlow，然後從訓練的模型建立端點並將其部署 SageMaker，請參閱下列筆記本。MXNet 模型接受訓練來辨識 MNIST 資料集裡的手寫數字。該 TensorFlow 模型經過培訓，可以對虹膜進行分類。

• mxnet_mnist_byom

• tensorflow_BYOM_iris

使用管道模式進行訓練

若要了解如何使用 Dockerfile 建置容器以呼叫 train.py script，並使用管道模式來自訂訓練演算法，請參閱以下筆記本。在管道模式下，訓練時會將輸入資料傳輸至演算法。相較於使用檔案模式，這可以縮短訓練時間。

• pipe_bring_your_own

使用自有 R 模型

若要了解如何使用新增自訂 R 映像來建置和訓練 AWS SMS 筆記本中的模型，請參閱下列部落格文章。這篇博客文章使用了來自 SageMakerStudio 經典自定義圖像樣本庫的示例 R Docker 文件。

• 將您自己的 R 環境帶入 Amazon SageMaker 工作室經典版

擴展預先構建的 PyTorch 容器映像

要了解如何在預構建的 Doc SageMaker PyTorch ker 映像不支持的算法或模型的其他功能需求時擴展預構建的容器映像，請參閱以下筆記本。

• BERTtopic_extending_container

如需延伸容器的更多相關資訊，請參閱延伸預先建置的容器。

在自訂容器上訓練和偵錯訓練任務

若要了解如何使用偵錯工 SageMaker 具訓練及偵錯訓練工作，請參閱下列筆記本。透過此範例提供的訓練指令碼使用 TensorFlow Keras ResNet 50 模型和 CIFAR10 資料集。Docker 自訂容器使用訓練指令碼建置，並推送至 Amazon ECR。訓練任務為執行中時，偵錯工具會收集張量輸出並識別偵錯問題。使用 smdebug 用戶端程式庫工具，您可以設定呼叫訓練任務和偵錯資訊的 smdebug 試用物件、檢查訓練和偵錯工具規則狀態，以及擷取儲存在 Amazon S3 儲存貯體中的張量以分析訓練問題。

• build_your_own_container_with_debugger