Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

# Greifen Sie auf kuratierte Model Hubs in Amazon zu SageMaker JumpStart
<a name="jumpstart-curated-hubs-access-hubs"></a>

Sie können entweder über Studio oder über das SageMaker Python-SDK auf einen privaten Model-Hub zugreifen.

## Zugriff auf Ihren privaten Model-Hub in Studio
<a name="jumpstart-curated-hubs-user-guide-studio"></a>

**Wichtig**  
Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich auf die Verwendung der aktualisierten Studio-Erfahrung. Informationen zur Verwendung der Studio-Classic-Anwendung finden Sie unter [Amazon SageMaker Studio Klassisch](studio.md).

Öffnen Sie in Amazon SageMaker Studio die JumpStart Landing Page entweder über die **Startseite** oder das **Home-Menü** auf der linken Seite. Dadurch wird die **SageMaker JumpStart**Landingpage geöffnet, auf der Sie Model-Hubs erkunden und nach Modellen suchen können.
+ Wählen Sie auf der **Startseite **JumpStart****im Bereich **Vorgefertigte und automatisierte Lösungen** aus. 
+ Navigieren Sie über das **Home-Menü** im linken Bereich zum **JumpStart**Knoten.

Weitere Informationen zu den ersten Schritten mit Amazon SageMaker Studio finden Sie unter[Amazon SageMaker Studio](studio-updated.md).

Auf der Startseite **SageMaker JumpStart**in Studio können Sie alle privaten Model-Hubs erkunden, die Modelle für Ihr Unternehmen enthalten, die auf der Zulassungsliste stehen. Wenn Sie nur Zugriff auf einen Model-Hub haben, gelangen Sie über die **SageMaker JumpStart**Landingpage direkt zu diesem Hub. Wenn Sie Zugriff auf mehrere Hubs haben, werden Sie zur **Hubs**-Seite weitergeleitet. 

Weitere Informationen zur Optimierung, Bereitstellung und Bewertung von Modellen, auf die Sie in Studio Zugriff haben, finden Sie unter [Verwenden von Basismodellen in Studio](jumpstart-foundation-models-use-studio-updated.md).

## Greifen Sie mit dem SageMaker Python-SDK auf Ihren privaten Model-Hub zu
<a name="jumpstart-curated-hubs-user-guide-sdk"></a>

Sie können mit dem SageMaker Python-SDK auf Ihren privaten Model-Hub zugreifen. Ihr Administrator stellt Ihnen den Zugriff zum Lesen, Verwenden oder Bearbeiten Ihres kuratierten Hubs bereit.

**Anmerkung**  
Wenn ein Hub von mehreren Konten gemeinsam genutzt wird, muss `HUB_NAME` der Hub-ARN sein. Wenn ein Hub nicht von mehreren Konten gemeinsam genutzt wird, kann als `HUB_NAME` der Hub-Name verwendet werden.

1. Installieren Sie das SageMaker Python-SDK und importieren Sie die erforderlichen Python-Pakete.

   ```
   # Install the SageMaker Python SDK
       !pip3 install sagemaker --force-reinstall --quiet
       
       # Import the necessary Python packages
       import boto3
       from sagemaker import Session
       from sagemaker.jumpstart.hub.hub import Hub
       from sagemaker.jumpstart.model import JumpStartModel
       from sagemaker.jumpstart.estimator import JumpStartEstimator
   ```

1. Initialisieren Sie eine SageMaker AI-Sitzung und stellen Sie mithilfe des Hub-Namens und der Region eine Verbindung zu Ihrem privaten Hub her.

   ```
   # If a hub is shared across accounts, then the HUB_NAME must be the hub ARN
       HUB_NAME="Example-Hub-ARN" 
       REGION="us-west-2" 
       
       # Initialize a SageMaker session
       sm_client = boto3.client('sagemaker') 
       sm_runtime_client = boto3.client('sagemaker-runtime') 
       session = Session(sagemaker_client=sm_client, 
                           sagemaker_runtime_client=sm_runtime_client)
       
       # Initialize the private hub
       hub = Hub(hub_name=HUB_NAME, sagemaker_session=session)
   ```

1. Nachdem Sie eine Verbindung zu einem privaten Hub hergestellt haben, können Sie mit den folgenden Befehlen eine Liste aller verfügbaren Modelle in diesem Hub aufrufen:

   ```
   response = hub.list_models()
       models = response["hub_content_summaries"]
       while response["next_token"]:
           response = hub.list_models(next_token=response["next_token"])
           models.extend(response["hub_content_summaries"])
           
       print(models)
   ```

1. Mit dem folgenden Befehl können Sie anhand des Modellnamens weitere Informationen zu einem bestimmten Modell abrufen:

   ```
   response = hub.describe_model(model_name="example-model")
       print(response)
   ```

Weitere Informationen zur Feinabstimmung und Bereitstellung von Modellen, auf die Sie mit dem SageMaker Python-SDK Zugriff haben, finden Sie unter[Verwenden Sie Foundation-Modelle mit dem SDK SageMaker Python](jumpstart-foundation-models-use-python-sdk.md).