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. # Private kuratierte Hubs für die Zugangskontrolle im Foundation-Modell in JumpStart Kuratieren Sie vortrainierte JumpStart Basismodelle für Ihr Unternehmen mit privaten Hubs. Nutzen Sie die neuesten öffentlich zugänglichen und proprietären Basismodelle, während Sie gleichzeitig Governance-Richtlinien durchsetzen und sicherstellen, dass Ihr Unternehmen nur auf genehmigte Modelle zugreifen kann. Verwenden Sie private Modell-Hubs, um Modelle und Notebooks gemeinsam zu nutzen, Modellartefakte zu zentralisieren, die Auffindbarkeit von Modellen zu verbessern und die Modellnutzung innerhalb Ihrer Organisation zu optimieren. Administratoren können private Hubs erstellen, die Untergruppen von Modellen enthalten, die auf verschiedene Teams, Anwendungsfälle oder Sicherheitsanforderungen zugeschnitten sind. Administratoren können mithilfe des SageMaker Python-SDK einen JumpStart privaten Model-Hub erstellen. Benutzer können dann die kuratierten Modelle mithilfe von Amazon SageMaker Studio oder dem SageMaker Python-SDK durchsuchen, trainieren und bereitstellen. Weitere Informationen zum Erstellen eines privaten Modell-Hubs finden Sie unter [Admin-Leitfaden für private Model-Hubs bei Amazon SageMaker JumpStart](jumpstart-curated-hubs-admin-guide.md). Weitere Informationen zur gemeinsamen Nutzung von privaten Modell-Hubs für mehrere Konten finden Sie unter [Kontoübergreifendes Teilen für private Modell-Hubs mit AWS Resource Access Manager](jumpstart-curated-hubs-ram.md). Weitere Informationen zum Zugriff auf einen privaten Modell-Hub finden Sie unter [Benutzerhandbuch](jumpstart-curated-hubs-user-guide.md). # Admin-Leitfaden für private Model-Hubs bei Amazon SageMaker JumpStart Es gibt Aktionen, die Administratoren in Bezug auf kuratierte Modell-Hubs durchführen können, auf die Benutzer innerhalb Ihrer Organisation zugreifen können. Dazu gehören das Erstellen, Hinzufügen, Löschen und Verwalten des Zugriffs auf private Hubs. Diese Seite enthält auch Informationen zu den unterstützten AWS -Regionen für kuratierte private Hubs sowie zu den Voraussetzungen, die für die Nutzung kuratierter privater Modell-Hubs erforderlich sind. ## Unterstützte AWS Regionen Kuratierte private Hubs sind derzeit in den folgenden AWS kommerziellen Regionen allgemein verfügbar: + us-east-1 + us-east-2 + us-west-2 + eu-west-1 + eu-central-1 + ap-northeast-1 + ap-northeast-2 + ap-south-1 + ap-southeast-1 + ap-southeast-2 + il-central-1 (nur SDK) Die standardmäßige maximale Anzahl zulässiger Hubs in einer einzelnen Region ist 50. ## Voraussetzungen Um einen kuratierten privaten Hub in Studio verwenden zu können, ist Folgendes erforderlich: + Ein AWS Konto mit Administratorzugriff + Eine AWS Identity and Access Management (IAM-) Rolle mit Zugriff auf Amazon Studio SageMaker + Eine Amazon SageMaker AI-Domain mit JumpStart aktiviertem + Wenn Ihre Benutzer versuchen, proprietäre Modelle zu verwenden, müssen sie über Abonnements für diese Modelle im AWS Marketplace verfügen. + AWS Konten, die proprietäre Modelle einsetzen, müssen über Abonnements für diese Modelle im AWS Marketplace verfügen. Weitere Informationen zu den ersten Schritten mit Studio finden Sie unter [Amazon SageMaker Studio](studio-updated.md). # Erstellen eines privaten Modell-Hubs Gehen Sie wie folgt vor, um einen privaten Hub einzurichten, um die Zugriffskontrolle für vortrainierte JumpStart Basismodelle für Ihr Unternehmen zu verwalten. Sie müssen das SageMaker Python-SDK installieren und die erforderlichen IAM-Berechtigungen konfigurieren, bevor Sie einen Model Hub erstellen. **Erstellen eines privaten Hubs** 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 ``` 1. Initialisieren Sie eine SageMaker AI-Sitzung. ``` sm_client = boto3.client('sagemaker') session = Session(sagemaker_client=sm_client) session.get_caller_identity_arn() ``` 1. Konfigurieren Sie die Details Ihres privaten Hubs, wie den internen Hub-Namen, den UI-Anzeigenamen und die UI-Hub-Beschreibung. **Anmerkung** Wenn Sie bei der Erstellung Ihres Hubs keinen Amazon S3 S3-Bucket-Namen angeben, erstellt der SageMaker Hub-Service in Ihrem Namen einen neuen Bucket. Der neue Bucket hat die folgende Benennungsstruktur: `sagemaker-hubs-REGION-ACCOUNT_ID`. ``` HUB_NAME="Example-Hub" HUB_DISPLAY_NAME="Example Hub UI Name" HUB_DESCRIPTION="A description of the example private curated hub." REGION="us-west-2" ``` 1. Vergewissern Sie sich, dass Ihre **Admin**-IAM-Rolle über die erforderlichen Amazon-S3-Berechtigungen verfügt, um einen privaten Hub zu erstellen. Wenn Ihre Rolle nicht über die erforderlichen Berechtigungen verfügt, navigieren Sie in der IAM-Konsole zur Seite **Rollen**. Wählen Sie die **Admin**-Rolle und dann im Bereich **Berechtigungsrichtlinien** die Option **Berechtigungen hinzufügen** aus, um mit dem JSON-Editor eine Inline-Richtlinie mit den folgenden Berechtigungen zu erstellen: ------ #### [ JSON ] **** ``` { "Version":"2012-10-17", "Statement": [ { "Action": [ "s3:ListBucket", "s3:GetObject", "s3:GetObjectTagging" ], "Resource": [ "arn:aws:s3:::jumpstart-cache-prod-REGION", "arn:aws:s3:::jumpstart-cache-prod-REGION/*" ], "Effect": "Allow" } ] } ``` ------ 1. Erstellen Sie mit `hub.create()` einen privaten Modell-Hub mit Ihren Konfigurationen aus **Schritt 3**. ``` hub = Hub(hub_name=HUB_NAME, sagemaker_session=session) try: # Create the private hub hub.create( description=HUB_DESCRIPTION, display_name=HUB_DISPLAY_NAME ) print(f"Successfully created Hub with name {HUB_NAME} in {REGION}") # Check that no other hubs with this internal name exist except Exception as e: if "ResourceInUse" in str(e): print(f"A hub with the name {HUB_NAME} already exists in your account.") else: raise e ``` 1. Überprüfen Sie die Konfiguration Ihres neuen privaten Hubs mit dem folgenden `describe`-Befehl: ``` hub.describe() ``` # Hinzufügen von Modellen zu einem privaten Hub Nachdem Sie einen privaten Hub erstellt haben, können Sie Modelle hinzufügen, die auf der Zulassungsliste stehen. Eine vollständige Liste der verfügbaren JumpStart Modelle finden Sie in der SageMaker Python-SDK-Referenz unter [Integrierte Algorithmen mit vortrainierter Modelltabelle](https://sagemaker.readthedocs.io/en/stable/doc_utils/pretrainedmodels.html). 1. Mit der `hub.list_sagemaker_public_hub_models()`-Methode können Sie die verfügbaren Modelle programmgesteuert filtern. Sie können optional nach Kategorien wie Framework (`"framework == pytorch"`), Aufgaben wie Bildklassifizierung (`"task == ic"`) und mehr filtern. Weitere Informationen zu Filtern finden Sie unter [https://github.com/aws/sagemaker-python-sdk/blob/master/src/sagemaker/jumpstart/notebook_utils.py](https://github.com/aws/sagemaker-python-sdk/blob/master/src/sagemaker/jumpstart/notebook_utils.py). Der Filterparameter in der `hub.list_sagemaker_public_hub_models()`-Methode ist optional. ``` filter_value = "framework == meta" response = hub.list_sagemaker_public_hub_models(filter=filter_value) models = response["hub_content_summaries"] while response["next_token"]: response = hub.list_sagemaker_public_hub_models(filter=filter_value, next_token=response["next_token"]) models.extend(response["hub_content_summaries"]) print(models) ``` 1. Sie können dann die gefilterten Modelle hinzufügen, indem Sie den Modell-ARN in der `hub.create_model_reference()`-Methode angeben. ``` for model in models: print(f"Adding {model.get('hub_content_name')} to Hub") hub.create_model_reference(model_arn=model.get("hub_content_arn"), model_name=model.get("hub_content_name")) ``` # Aktualisieren von Ressourcen in einem privaten Hub Sie können Ressourcen in Ihrem privaten Hub aktualisieren, um Änderungen an ihren Metadaten vorzunehmen. Zu den Ressourcen, die Sie aktualisieren können, gehören Modellverweise auf SageMaker JumpStart Amazon-Modelle, benutzerdefinierte Modelle, Notizbücher, Datensätze und JsonDoc. Bei der Aktualisierung von Modell, Notizbuch, Datensätzen oder JsonDoc Ressourcen können Sie die Inhaltsbeschreibung, den Anzeigenamen, die Stichwörter und den Supportstatus aktualisieren. Beim Aktualisieren von Modellreferenzen auf JumpStart Modelle können Sie nur das Feld aktualisieren, das die Mindestmodellversion angibt, die Sie verwenden möchten. + „Modell- oder Notebook-Ressourcen aktualisieren“, sodass es DataSet/enthältJsonDoc. DataSets/JsonDocs Sollte im CLI-Befehl zum hub-content-type Argument hinzugefügt werden. Folgen Sie dem Abschnitt für die jeweilige Ressource, die Sie aktualisieren möchten. ## Aktualisieren von Modell- oder Notebookressourcen Verwenden Sie die [UpdateHubContent](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_UpdateHubContent.html)API, um ein Modell oder eine Notebook-Ressource zu aktualisieren. Die gültigen Metadatenfelder, die Sie mit dieser API aktualisieren können, sind die folgenden: + `HubContentDescription` – Die Beschreibung der Ressource. + `HubContentDisplayName` – Der Anzeigename der Ressource. + `HubContentMarkdown` – Die Beschreibung der Ressource im Markdown-Format. + `HubContentSearchKeywords` – Die durchsuchbaren Schlüsselwörter der Ressource. + `SupportStatus` – Der aktuelle Status der Ressource. Fügen Sie Ihrer Anfrage eine Änderung für eines oder mehrere der vorherigen Felder bei. Wenn Sie versuchen, andere Felder zu aktualisieren, z. B. den Hub-Inhaltstyp, wird eine Fehlermeldung angezeigt. ------ #### [ AWS SDK für Python (Boto3) ] Das folgende Beispiel zeigt, wie Sie den verwenden können AWS SDK für Python (Boto3) , um eine [ UpdateHubContent](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_UpdateHubContent.html)Anfrage einzureichen. **Anmerkung** Die `HubContentVersion`, die Sie in der Anforderung angeben, bedeutet, dass die Metadaten der jeweiligen Version aktualisiert werden. Um alle verfügbaren Versionen Ihres Hub-Inhalts zu finden, können Sie die [ ListHubContentVersions](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_ListHubContentVersions.html)API verwenden. ``` import boto3 sagemaker_client = boto3.Session(region_name=).client("sagemaker") sagemaker_client.update_hub_contents( HubName=, HubContentName=, HubContentType=<"Model"|"Notebook">, HubContentVersion='1.0.0', # specify the correct version that you want to update HubContentDescription= ) ``` ------ #### [ AWS CLI ] Das folgende Beispiel zeigt, wie Sie den verwenden können AWS CLI , um eine [ update-hub-content](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/update-hub-content.html)Anfrage einzureichen. ``` aws sagemaker update-hub-content \ --hub-name \ --hub-content-name \ --hub-content-type <"Model"|"Notebook"> \ --hub-content-version "1.0.0" \ --hub-content-description ``` ------ ## Aktualisieren von Modellreferenzen Verwenden Sie die [ UpdateHubContentReference](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_UpdateHubContentReference.html)API, um eine JumpStart Modellreferenz auf ein Modell zu aktualisieren. Sie können das Feld `MinVersion` nur für Modellreferenzen aktualisieren. ------ #### [ AWS SDK für Python (Boto3) ] Das folgende Beispiel zeigt, wie Sie den verwenden können AWS SDK für Python (Boto3) , um eine [ UpdateHubContentReference](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_UpdateHubContentReference.html)Anfrage einzureichen. ``` import boto3 sagemaker_client = boto3.Session(region_name=).client("sagemaker") update_response = sagemaker_client.update_hub_content_reference( HubName=, HubContentName=, HubContentType='ModelReference', MinVersion='1.0.0' ) ``` ------ #### [ AWS CLI ] Das folgende Beispiel zeigt, wie Sie den verwenden können AWS CLI , um eine [ update-hub-content-reference](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/update-hub-content-reference.html)Anfrage einzureichen. ``` aws sagemaker update-hub-content-reference \ --hub-name \ --hub-content-name \ --hub-content-type "ModelReference" \ --min-version "1.0.0" ``` ------ # Kontoübergreifendes Teilen für private Modell-Hubs mit AWS Resource Access Manager Nachdem Sie einen privaten Modell-Hub erstellt haben, können Sie den Hub mit AWS Resource Access Manager (AWS RAM) für die erforderlichen Konten teilen. Weitere Informationen zum Erstellen eines privaten Hubs finden Sie unter [Erstellen eines privaten Modell-Hubs](jumpstart-curated-hubs-admin-guide-create.md). Auf der folgenden Seite finden Sie ausführliche Informationen zu verwalteten Berechtigungen im Zusammenhang mit den privaten Hubs in AWS RAM. Informationen zum Erstellen einer gemeinsamen Nutzung von Ressourcen innerhalb von AWS RAM finden Sie unter[Einrichten der kontoübergreifenden Hub-Freigabe](jumpstart-curated-hubs-ram-setup.md). ## Verwaltete Berechtigungen für kuratierte private Hubs Die verfügbaren Zugriffsberechtigungen sind Lesen, Lesen und Verwenden sowie Vollzugriffsrechte. Der Name, die Beschreibung und die Liste der für die einzelnen Berechtigungen APIs verfügbaren Berechtigungen sind im Folgenden aufgeführt: + Leseberechtigung (`AWS RAMPermissionSageMaker AIHubRead`): Die Leseberechtigung ermöglicht es Ressourcennutzerkonten, Inhalte in den gemeinsam genutzten Hubs zu lesen und Details und Metadaten anzuzeigen. + `DescribeHub`: Ruft Details zu einem Hub und seiner Konfiguration ab. + `DescribeHubContent`: Ruft Details zu einem Modell ab, das in einem bestimmten Hub verfügbar ist. + `ListHubContent`: Listet alle in einem Hub verfügbaren Modelle auf. + `ListHubContentVersions`: Listet die Version aller in einem Hub verfügbaren Modelle auf. + Lese- und Nutzungsberechtigung (`AWS RAMPermissionSageMaker AIHubReadAndUse`): Die Lese- und Nutzungsberechtigung ermöglicht es Ressourcennutzerkonten, Inhalte in den gemeinsam genutzten Hubs zu lesen und verfügbare Modelle für Inferenzen bereitzustellen. + `DescribeHub`: Ruft Details zu einem Hub und seiner Konfiguration ab. + `DescribeHubContent`: Ruft Details zu einem Modell ab, das in einem bestimmten Hub verfügbar ist. + `ListHubContent`: Listet alle in einem Hub verfügbaren Modelle auf. + `ListHubContentVersions`: Listet die Version aller in einem Hub verfügbaren Modelle auf. + `DeployHubModel`: Ermöglicht den Zugriff, um verfügbare Hub-Modelle mit offener Gewichtung zu Inferenzzwecken bereitzustellen. + Vollzugriffsberechtigung (`AWS RAMPermissionSageMaker AIHubFullAccessPolicy`): Die Vollzugriffsberechtigung ermöglicht es Ressourcennutzerkonten, Inhalte in den gemeinsam genutzten Hubs zu lesen, Hub-Inhalte hinzuzufügen und zu entfernen sowie verfügbare Modelle zu Inferenzzwecken bereitzustellen. + `DescribeHub`: Ruft Details zu einem Hub und seiner Konfiguration ab. + `DescribeHubContent`: Ruft Details zu einem Modell ab, das in einem bestimmten Hub verfügbar ist. + `ListHubContent`: Listet alle in einem Hub verfügbaren Modelle auf. + `ListHubContentVersions`: Listet die Version aller in einem Hub verfügbaren Modelle auf. + `ImportHubContent`: Importiert Hub-Inhalte. + `DeleteHubContent`: Löscht Hub-Inhalte. + `CreateHubContentReference`: Erstellt eine Hub-Inhaltsreferenz, die ein Modell vom SageMaker KI-Hub für **öffentliche Modelle** mit einem privaten Hub teilt + `DeleteHubContentReference`: Löscht eine Hub-Inhaltsreferenz, die ein Modell gemeinsam nutzt, vom SageMaker KI-Hub für **öffentliche Modelle** zu einem privaten Hub + `DeployHubModel`: Ermöglicht den Zugriff, um verfügbare Hub-Modelle mit offener Gewichtung zu Inferenzzwecken bereitzustellen. `DeployHubModel`-Berechtigungen sind für proprietäre Modelle nicht erforderlich. # Einrichten der kontoübergreifenden Hub-Freigabe SageMaker verwendet [AWS Resource Access Manager (AWS RAM)](https://docs.aws.amazon.com/ram/latest/userguide/what-is.html), um Ihnen zu helfen, Ihre privaten Hubs sicher für mehrere Konten gemeinsam zu nutzen. Richten Sie die kontenübergreifende Hub-Freigabe ein, indem Sie die folgenden Anweisungen zusammen mit den Anweisungen zur [gemeinsamen Nutzung Ihrer AWS Ressourcen](https://docs.aws.amazon.com/ram/latest/userguide/getting-started-sharing.html#getting-started-sharing-create) im *AWS RAM Benutzerhandbuch* befolgen. **Erstellen einer Ressourcen-Freigabe** 1. Wählen Sie über die [AWS RAM -Konsole](https://console.aws.amazon.com/ram/home) die Option **Ressourcenfreigabe erstellen** aus. 1. Wenn Sie Details zur gemeinsamen Nutzung von Ressourcen angeben, wählen Sie den Ressourcentyp **SageMaker Hubs** und wählen Sie einen weiteren privaten Hub aus, den Sie gemeinsam nutzen möchten. Wenn Sie einen Hub mit einem anderen Konto teilen, werden dessen Inhalte ebenfalls implizit geteilt. 1. Ordnen Sie Ihrer Ressourcenfreigabe Berechtigungen zu. Weitere Informationen zu verwalteten Berechtigungen finden Sie unter [Verwaltete Berechtigungen für kuratierte private Hubs](jumpstart-curated-hubs-ram.md#jumpstart-curated-hubs-ram-permissions). 1. Verwenden Sie AWS Konto IDs , um die Konten anzugeben, denen Sie Zugriff auf Ihre gemeinsam genutzten Ressourcen gewähren möchten. 1. Überprüfen Sie Ihre Konfiguration für die gemeinsame Nutzung Ihrer Ressourcen und wählen Sie **Ressourcenfreigabe erstellen** aus. Es kann einige Minuten dauern, bis die Ressourcenfreigabe und die Hauptverknüpfungen abgeschlossen sind. Weitere Informationen finden Sie im *AWS Resource Access Manager Benutzerhandbuch* unter [Teilen Ihrer AWS Ressourcen](https://docs.aws.amazon.com/ram/latest/userguide/getting-started-sharing.html). Nachdem die Ressourcenfreigabe und die Hauptzuordnungen festgelegt sind, erhalten die angegebenen AWS Konten eine Einladung, um der Ressourcenfreigabe beizutreten. Die AWS Konten müssen die Einladung annehmen, um Zugriff auf gemeinsam genutzte Ressourcen zu erhalten. Weitere Informationen zum Annehmen einer Einladung zur gemeinsamen Nutzung von AWS RAM Ressourcen finden Sie im *AWS Resource Access Manager Benutzerhandbuch* [unter Verwenden von gemeinsam genutzten AWS Ressourcen](https://docs.aws.amazon.com/ram/latest/userguide/getting-started-shared.html). # Löschen von Modellen aus einem privaten Hub Sie können Modelle aus einem privaten Hub löschen, der von Ihrer Organisation verwendet wird, indem Sie die Modell-ARN in der `hub.delete_model_reference()`-Methode angeben. Dadurch wird der Zugriff auf das Modell vom privaten Hub aus entfernt. ``` hub.delete_model_reference(model-name) ``` # Beschränken Sie den Zugriff auf JumpStart geschlossene Modelle Amazon SageMaker JumpStart bietet Zugriff sowohl auf öffentlich verfügbare als auch auf proprietäre Stiftungsmodelle. Es gibt bestimmte geschützte Modelle in privaten Amazon-S3-Buckets, bei denen Sie die EULA (Endbenutzer-Lizenzvereinbarung) des Modells akzeptieren müssen, um darauf zugreifen zu können. Weitere Informationen finden Sie unter [Annahme der EULA mit dem SDK SageMaker Python](jumpstart-foundation-models-choose.md#jumpstart-foundation-models-choose-eula-python-sdk). Gemäß dem aktuellen Standardverhalten kann ein Benutzer, der die EULA eines Modells akzeptiert, auf das Modell zugreifen und [Trainingsjobs zur Optimierung](jumpstart-foundation-models-use-python-sdk-estimator-class.md) erstellen. Wenn Sie jedoch als Administrator den Zugriff auf diese geschützten Modelle zur Optimierung einschränken möchten, können Sie eine Richtlinie festlegen, die den Zugriff auf die Aktion `CreateTrainingJob` verweigert, wenn die Anforderung ein geschütztes Modell betrifft. Im Folgenden finden Sie ein Beispiel für eine Richtlinie AWS Identity and Access Management (IAM), die ein Administrator der IAM-Rolle eines Benutzers hinzufügen kann: ``` { "Effect": "Deny", "Action": "sagemaker:CreateTrainingJob", "Resource": "*", "Condition": { "Bool": { "sagemaker:DirectGatedModelAccess": "true" } } } ``` Wenn Sie Benutzern Zugriff auf bestimmte Modelle gewähren möchten, ohne uneingeschränkten Zugriff auf die geschützten Modelle zu ermöglichen, richten Sie einen kuratierten Hub ein und fügen Sie die spezifischen Modelle dem Hub hinzu. Weitere Informationen finden Sie unter [Private kuratierte Hubs für die Zugangskontrolle im Foundation-Modell in JumpStart](jumpstart-curated-hubs.md). # Entfernen Sie den Zugriff auf den Hub für SageMaker **öffentliche Modelle** Sie können JumpStart in Studio nicht nur einen privaten, kuratierten Hub hinzufügen, sondern Ihren Benutzern auch den Zugriff auf den Hub für SageMaker **öffentliche Modelle** entziehen. Der Hub SageMaker **für öffentliche Modelle** hat Zugriff auf alle verfügbaren JumpStart Foundation-Modelle. Wenn Sie den Zugriff auf den Hub für SageMaker **öffentliche Modelle** entfernen und ein Benutzer nur Zugriff auf einen privaten Hub hat, wird der Benutzer direkt zu diesem privaten Hub weitergeleitet, wenn er dies **JumpStart**im linken Navigationsbereich in Studio wählt. Wenn ein Benutzer Zugriff auf mehrere private Hubs hat, wird der Benutzer zu einer **Hub-Menüseite** weitergeleitet, wenn er im linken Navigationsbereich **JumpStart**in Studio die Auswahl trifft. Entfernen Sie Ihren Benutzern mithilfe der folgenden Inline-Richtlinie den Zugriff auf den Hub für SageMaker **öffentliche Modelle**: **Anmerkung** In der folgenden Richtlinie können Sie alle zusätzlichen Amazon-S3-Buckets angeben, auf die Ihr Hub zugreifen soll. Achten Sie darauf, *`REGION`* durch die Region Ihres Hubs zu ersetzen. ------ #### [ JSON ] **** ``` { "Version":"2012-10-17", "Statement": [ { "Action": "s3:*", "Effect": "Deny", "NotResource": [ "arn:aws:s3:::jumpstart-cache-prod-us-east-1/*.ipynb", "arn:aws:s3:::jumpstart-cache-prod-us-east-1/*eula*", "arn:aws:s3:::amzn-s3-demo-bucket/*" ] }, { "Action": "sagemaker:*", "Effect": "Deny", "Resource": [ "arn:aws:sagemaker:us-east-1:aws:hub/SageMakerPublicHub", "arn:aws:sagemaker:us-east-1:aws:hub-content/SageMakerPublicHub/*/*" ] } ] } ``` ------ # Löschen eines privaten Hubs Sie können einen privaten Hub aus Ihrem Administratorkonto löschen. Bevor Sie einen privaten Hub löschen, müssen Sie zunächst alle Inhalte in diesem Hub entfernen. Löschen Sie Hub-Inhalte und Hubs mit den folgenden Befehlen: ``` # List the model references in the private hub 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"]) # Delete all model references in the hub for model in models: hub.delete_model_reference(model_name=model.get('HubContentName')) # Delete the private hub hub.delete() ``` # Fehlerbehebung Die folgenden Abschnitte enthalten Informationen zu Problemen mit IAM-Berechtigungen, die bei der Erstellung eines privaten Modell-Hubs auftreten können, sowie Informationen zur Lösung dieser Probleme. **`ValidationException` beim Aufrufen des `CreateModel`-Vorgangs: Kein Zugriff auf Modelldaten möglich** Diese Ausnahme tritt auf, wenn Sie nicht die entsprechenden Amazon-S3-Berechtigungen für Ihre **Admin**-Rolle konfiguriert haben. Weitere Informationen zu den Amazon-S3-Berechtigungen, die zum Erstellen eines privaten Hubs erforderlich sind, finden Sie unter **Schritt 3** in [Erstellen eines privaten Modell-Hubs](jumpstart-curated-hubs-admin-guide-create.md). **`Access Denied` oder `Forbidden` beim Aufruf von `create()`** Ihnen wird der Zugriff verweigert, wenn Sie einen privaten Hub erstellen, wenn Sie nicht über die entsprechenden Berechtigungen für den Zugriff auf den Amazon S3 S3-Bucket verfügen, der dem Hub für SageMaker **öffentliche Modelle** zugeordnet ist. Weitere Informationen zu den Amazon-S3-Berechtigungen, die zum Erstellen eines privaten Hubs erforderlich sind, finden Sie unter **Schritt 3** in [Erstellen eines privaten Modell-Hubs](jumpstart-curated-hubs-admin-guide-create.md). # Benutzerhandbuch Die folgenden Themen behandeln den Zugriff auf und die Verwendung von Modellen in Ihren von Amazon SageMaker JumpStart kuratierten Model Hubs. Erfahren Sie, wie Sie über die Amazon SageMaker Studio-Oberfläche oder programmgesteuert mit dem Python-SDK auf Ihre kuratierten Hub-Modelle zugreifen können. SageMaker Erfahren Sie außerdem, wie Sie kuratierte Hub-Modelle optimieren können, um sie an Ihre spezifischen Anwendungsfälle und Geschäftsanforderungen anzupassen. **Topics** + [Greifen Sie auf kuratierte Model Hubs in Amazon zu SageMaker JumpStart](jumpstart-curated-hubs-access-hubs.md) + [Optimieren kuratierter Hub-Modelle](jumpstart-curated-hubs-fine-tune.md) # Greifen Sie auf kuratierte Model Hubs in Amazon zu SageMaker JumpStart 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 **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 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). # Optimieren kuratierter Hub-Modelle In Ihrem privaten, kuratierten Modell-Hub können Sie anhand Ihrer Modellreferenzen Trainingsjobs zur Optimierung durchführen. Modellreferenzen verweisen auf ein öffentlich JumpStart verfügbares Modell im öffentlichen SageMaker KI-Hub, aber Sie können das Modell anhand Ihrer eigenen Daten für Ihren speziellen Anwendungsfall verfeinern. Nach der Optimierung haben Sie Zugriff auf die Modellgewichtungen, die Sie dann auf einem Endpunkt verwenden oder bereitstellen können. Mit dem SageMaker Python-SDK können Sie kuratierte Hub-Modelle in nur wenigen Codezeilen feinabstimmen. Weitere allgemeine Informationen zur Feinabstimmung öffentlich verfügbarer JumpStart Modelle finden Sie unter. [Basismodelle und Hyperparameter für die Optimierung](jumpstart-foundation-models-fine-tuning.md) ## Voraussetzungen Gehen Sie wie folgt vor, um eine JumpStart Modellreferenz in Ihrem kuratierten Hub zu verfeinern: 1. Stellen Sie sicher, dass der IAM-Rolle Ihres Benutzers die SageMaker `TrainHubModel` KI-Berechtigung zugewiesen ist. Informationen finden Sie im Abschnitt [Hinzufügen und Entfernen von IAM-Identitätsberechtigungen](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_manage-attach-detach.html) im *AWS -IAM-Benutzerhandbuch*. Sie sollten der IAM-Rolle Ihres Benutzers eine Richtlinie wie die im folgenden Beispiel gezeigte anfügen. ------ #### [ JSON ] **** ``` { "Version":"2012-10-17", "Statement": [ { "Sid": "VisualEditor0", "Effect": "Allow", "Action": "sagemaker:TrainHubModel", "Resource": "arn:aws:sagemaker:*:111122223333:hub/*" } ] } ``` ------ **Anmerkung** Wenn Ihr kuratierter Hub von mehreren Konten gemeinsam genutzt wird und der Hub-Inhalt einem anderen Konto gehört, stellen Sie sicher, dass Ihr `HubContent` (die Modellreferenzressource) über eine ressourcenbasierte IAM-Richtlinie verfügt, die auch dem anfragenden Konto die `TrainHubModel`-Erlaubnis erteilt, wie im folgenden Beispiel gezeigt. **** ``` { "Version":"2012-10-17", "Statement": [ { "Sid": "AllowCrossAccountSageMakerAccess", "Effect": "Allow", "Principal": { "AWS": "arn:aws:iam::111122223333:root" }, "Action": [ "sagemaker:TrainHubModel" ], "Resource": [ "arn:aws:sagemaker:*:111122223333:hub/*" ] } ] } ``` 1. Richten Sie einen privaten, kuratierten Hub mit einer Modellreferenz auf ein JumpStart Modell ein, das Sie verfeinern möchten. Weitere Informationen zum Erstellen eines privaten Hubs finden Sie unter [Erstellen eines privaten Modell-Hubs](jumpstart-curated-hubs-admin-guide-create.md). Informationen zum Hinzufügen öffentlich verfügbarer JumpStart Modelle zu Ihrem privaten Hub finden Sie unter. [Hinzufügen von Modellen zu einem privaten Hub](jumpstart-curated-hubs-admin-guide-add-models.md) **Anmerkung** Das von Ihnen gewählte JumpStart Modell sollte feinabstimmbar sein. In der Tabelle [Integrierte Algorithmen mit vortrainierten Modellen](https://sagemaker.readthedocs.io/en/stable/doc_utils/pretrainedmodels.html) können Sie überprüfen, ob ein Modell optimierbar ist. 1. Sie benötigen einen Trainingsdatensatz, den Sie für die Optimierung des Modells verwenden möchten. Der Datensatz sollte im passenden Trainingsformat für das Modell vorliegen, das Sie optimieren möchten. ## Optimieren einer kuratierten Hub-Modellreferenz Das folgende Verfahren zeigt Ihnen, wie Sie eine Modellreferenz in Ihrem privaten kuratierten Hub mithilfe des SageMaker Python-SDK optimieren können. 1. Stellen Sie sicher, dass Sie (mindestens`2.242.0`) die neueste Version des SageMaker Python-SDK installiert haben. Weitere Informationen finden Sie unter [Verwenden von Version 2.x des SageMaker Python-SDK](https://sagemaker.readthedocs.io/en/stable/v2.html). ``` !pip install --upgrade sagemaker ``` 1. Importieren Sie die AWS SDK für Python (Boto3) Module, die Sie benötigen, aus dem SageMaker Python-SDK. ``` import boto3 from sagemaker.jumpstart.estimator import JumpStartEstimator from sagemaker.session import Session ``` 1. Initialisieren Sie eine Boto3-Sitzung, einen SageMaker AI-Client und eine SageMaker Python-SDK-Sitzung. ``` sagemaker_client = boto3.Session(region_name=).client("sagemaker") sm_session = Session(sagemaker_client=sagemaker_client) ``` 1. Erstellen Sie eine `JumpStartEstimator` und geben Sie die JumpStart Modell-ID, den Namen Ihres Hubs, der die Modellreferenz enthält, und Ihre SageMaker Python-SDK-Sitzung an. Eine Liste der Modelle IDs finden Sie in der [Tabelle Integrierte Algorithmen mit vortrainierten Modellen.](https://sagemaker.readthedocs.io/en/stable/doc_utils/pretrainedmodels.html) Optional können Sie bei der Erstellung des Schätzers die Felder `instance_count` und `instance_type` angeben. Wenn Sie dies nicht tun, verwendet der Trainingsjob den Standard-Instance-Typ und die Standardanzahl für das von Ihnen verwendete Modell. Sie können optional auch den `output_path` zum Amazon-S3-Speicherort angeben, an dem Sie die optimierten Modellgewichtungen speichern möchten. Wenn Sie das nicht angeben`output_path`, verwendet es einen standardmäßigen SageMaker AI Amazon S3 S3-Bucket für die Region in Ihrem Konto, der im folgenden Format benannt ist:`sagemaker--`. ``` estimator = JumpStartEstimator( model_id="meta-textgeneration-llama-3-2-1b", hub_name=, sagemaker_session=sm_session, # If you don't specify an existing session, a default one is created for you # Optional: specify your desired instance type and count for the training job # instance_type = "ml.g5.2xlarge" # instance_count = 1 # Optional: specify a custom S3 location to store the fine-tuned model artifacts # output_path: "s3://" ) ``` 1. Erstellen Sie ein Wörterbuch mit dem `training`-Schlüssel, in dem Sie den Speicherort Ihres Optimierungsdatensatzes angeben. Dieses Beispiel verweist auf einen Amazon-S3-URI. Wenn Sie zusätzliche Überlegungen haben, z. B. die Verwendung des lokalen Modus oder mehrerer Trainingsdatenkanäle, finden Sie weitere Informationen unter [ JumpStartEstimator.fit ()](https://sagemaker.readthedocs.io/en/stable/api/training/estimators.html#sagemaker.jumpstart.estimator.JumpStartEstimator.fit) in der SageMaker Python SDK-Dokumentation. ``` training_input = { "training": "s3://" } ``` 1. Rufen Sie die `fit()`-Methode des Schätzers auf und übergeben Sie Ihre Trainingsdaten und Ihre EULA-Zustimmung (falls zutreffend). **Anmerkung** Im folgenden Beispiel ist `accept_eula=False.` Sie sollten den Wert manuell auf `True` ändern, um die EULA zu akzeptieren. ``` estimator.fit(inputs=training_input, accept_eula=False) ``` Ihr Optimierungsjob sollte jetzt beginnen. Du kannst deinen Job zur Feinabstimmung überprüfen, indem du dir deine Trainingsjobs entweder in der SageMaker KI-Konsole oder mithilfe der [ListTrainingJobs](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_ListTrainingJobs.html)API ansiehst. Sie können auf Ihre fein abgestimmten Modellartefakte im Amazon S3 zugreifen`output_path`, das im `JumpStartEstimator` Objekt angegeben wurde (entweder der standardmäßige SageMaker AI Amazon S3 S3-Bucket für die Region oder ein benutzerdefinierter Amazon S3 S3-Pfad, den Sie angegeben haben, falls zutreffend).