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.
# Verwenden von Algorithmus- und Modellpaketressourcen
Sie können Algorithmen und Modellpakete als Ressourcen in Ihrem Konto von Amazon SageMaker AI erstellen und Algorithmen sowie Modellpakete in AWS Marketplace suchen und abonnieren.
Verwenden Sie Algorithmen für folgende Aufgaben:
+ Trainingsaufträge ausführen Weitere Informationen finden Sie unter [Verwenden eines Algorithmus zum Ausführen eines Trainingsauftrags](sagemaker-mkt-algo-train.md).
+ Hyperparameter-Optimierungsaufträge ausführen Weitere Informationen finden Sie unter [Verwenden eines Algorithmus zum Ausführen eines Hyperparameter-Optimierungsauftrags](sagemaker-mkt-algo-tune.md).
+ Modellpakete erstellen Nachdem Sie eine Algorithmusressource zum Ausführen eines Trainings- oder Hyperparameter-Optimierungsauftrags verwendet haben, können Sie die Modellartefakte, die diese Aufträge ausgeben, zusammen mit dem Algorithmus zum Erstellen eines Modellpakets verwenden. Weitere Informationen finden Sie unter [Erstellen einer Modellpaketressource](sagemaker-mkt-create-model-package.md).
**Anmerkung**
Wenn Sie einen Algorithmus in AWS Marketplace abonnieren, müssen Sie ein Modellpaket erstellen, bevor Sie ihn verwenden können, um die Inferenzen durch Erstellen eines gehosteten Endpunkts oder Ausführen eines Stapeltransformationsauftrags abzurufen.
![\[Workflow für Marktkäufer\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/mkt-buyer-workflow.png)
Verwenden Sie Modellpakete für folgende Aufgaben:
+ Erstellen Sie Modelle, die Sie verwenden können, um Echtzeitinferenzen abzurufen oder Stapeltransformationsaufträge auszuführen. Weitere Informationen finden Sie unter [Verwenden eines Modellpakets zum Erstellen eines Modells](sagemaker-mkt-model-pkg-model.md).
+ Erstellen Sie gehostete Endpunkte, um Echtzeitinferenzen abzurufen. Weitere Informationen finden Sie unter [Stellen Sie das Modell für SageMaker AI Hosting Services bereit](ex1-model-deployment.md#ex1-deploy-model).
+ Erstellen Sie Stapeltransformationsaufträge. Weitere Informationen finden Sie unter [(Optional) Vorhersagen mit Batch-Transformation treffen](ex1-model-deployment.md#ex1-batch-transform).
**Topics**
+ [Verwenden eines Algorithmus zum Ausführen eines Trainingsauftrags](sagemaker-mkt-algo-train.md)
+ [Verwenden eines Algorithmus zum Ausführen eines Hyperparameter-Optimierungsauftrags](sagemaker-mkt-algo-tune.md)
+ [Verwenden eines Modellpakets zum Erstellen eines Modells](sagemaker-mkt-model-pkg-model.md)
# Verwenden eines Algorithmus zum Ausführen eines Trainingsauftrags
Sie können mithilfe der Amazon SageMaker AI-Konsole, der SageMaker Low-Level-Amazon-API oder des [Amazon SageMaker Python-SDK](https://sagemaker.readthedocs.io/en/stable) eine Algorithmusressource erstellen, um einen Trainingsjob zu erstellen.
**Anmerkung**
Ihre Ausführungsrolle muss über `sagemaker:DescribeAlgorithm` Berechtigungen für die von Ihnen angegebene Algorithmusressource verfügen. Weitere Hinweise zu Berechtigungen für Ausführungsrollen finden Sie unter[CreateTrainingJob API: Berechtigungen für die Ausführungsrolle](sagemaker-roles.md#sagemaker-roles-createtrainingjob-perms).
**Topics**
+ [Verwenden eines Algorithmus zum Ausführen eines Trainingsauftrags (Konsole)](#sagemaker-mkt-algo-train-console)
+ [Verwenden eines Algorithmus zum Ausführen eines Trainingsauftrags (API)](#sagemaker-mkt-algo-train-api)
+ [Einen Algorithmus verwenden, um einen Trainingsjob auszuführen ([Amazon SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable))](#sagemaker-mkt-algo-train-sdk)
## Verwenden eines Algorithmus zum Ausführen eines Trainingsauftrags (Konsole)
**So verwenden Sie einen Algorithmus zum Ausführen eines Trainingsauftrags (Konsole)**
1. Öffnen Sie die SageMaker AI-Konsole unter [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Wählen Sie **Algorithmen** aus.
1. Wählen Sie einen Algorithmus, den Sie aus der Liste auf der Registerkarte **Meine Algorithmen** erstellt haben, oder wählen Sie auf der Registerkarte **AWS Marketplace -Abonnements** einen Algorithmus aus, den Sie abonniert haben.
1. Wählen Sie **Trainingsauftrag erstellen** aus.
Der Algorithmus, den Sie ausgewählt haben, wird automatisch markiert.
1. Geben Sie auf der Seite **Trainingsauftrag erstellen** folgende Informationen ein:
1. Geben Sie für **Name des Auftrags** einen Namen für den Trainingsauftrag ein.
1. Wählen Sie für die **IAM-Rolle** eine IAM-Rolle aus, die über die erforderlichen Berechtigungen für die Ausführung von Schulungsaufträgen in SageMaker KI verfügt, oder wählen Sie **Neue Rolle erstellen**, damit SageMaker KI eine Rolle erstellen kann, der die `AmazonSageMakerFullAccess` verwaltete Richtlinie zugeordnet ist. Weitere Informationen finden Sie unter [Wie verwendet man SageMaker AI-Ausführungsrollen](sagemaker-roles.md).
1. Geben Sie für **Ressourcenkonfiguration** die folgenden Informationen an:
1. Wählen Sie unter **Instance-Typ** den Instance-Typ aus, der für das Training benutzt werden soll.
1. Geben Sie unter **Instance-Anzahl** die Anzahl von ML-Instances ein, die für den Trainingsauftrag verwendet werden sollen.
1. Geben Sie für **Zusätzliches Volume pro Instance (GB)** die Größe des ML-Speicher-Volumes ein, das Sie bereitstellen möchten. ML-Speicher-Volumes speichern Modellartefakte und inkrementelle Zustände.
1. Wenn Sie möchten, dass Amazon SageMaker AI einen **Key Management AWS Service-Schlüssel verwendet, um Daten auf dem ML-Speichervolume zu verschlüsseln, das an die Trainingsinstanz angehängt ist, geben Sie den Schlüssel für den Verschlüsselungsschlüssel** an.
1. Geben Sie für **Stopp-Bedingung** die maximale Zeitspanne in Sekunden, Minuten, Stunden oder Tagen an, die der Trainingsauftrag ausgeführt werden soll.
1. Wählen Sie für **VPC** eine Amazon VPC aus, auf die Ihr Trainingscontainer zugreifen kann. Weitere Informationen finden Sie unter [Geben Sie SageMaker KI-Schulungsjobs Zugriff auf Ressourcen in Ihrer Amazon VPC](train-vpc.md).
1. Geben Sie für **Hyperparameter** die Werte der Hyperparameter an, die für den Trainingsauftrag verwendet werden sollen.
1. Geben Sie unter **Eingabedatenkonfiguration** die folgenden Werte für jeden Eingabedatenkanal an, der für den Trainingsauftrag verwendet werden soll. Im Abschnitt **Kanalspezifikation** der Seite **Algorithmusübersicht** können Sie sehen, welche Kanäle der von Ihnen verwendete Algorithmus für das Training unterstützt, sowie den Inhaltstyp, den unterstützten Komprimierungstyp und unterstützte Eingabemodi für jeden Kanal.
1. Geben Sie unter **Kanalname** den Namen des Eingabekanals ein.
1. Geben Sie für **Content type (Content-Type)** den Inhaltstyp der Daten ein, die der Algorithmus für den Channel erwartet.
1. Wählen Sie für **Komprimierungstyp** den Datenkomprimierungstyp aus, falls vorhanden.
1. Wählen Sie für **Wrapper aufzeichnen** die Option `RecordIO` aus, wenn der Algorithmus Daten im `RecordIO`-Format erwartet.
1. Geben Sie für **S3 data type (S3-Datentyp)**, **S3 data distribution type (S3-Verteilungstyp)** und **S3 location (S3-Speicherort)** die entsprechenden Werte ein. Weitere Informationen zur Bedeutung dieser Werte finden Sie unter [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_S3DataSource.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_S3DataSource.html).
1. Wählen Sie für **Eingabemodus** die Option **Datei** aus, um die Daten aus dem bereitgestellten ML-Speicher-Volume herunterzuladen, und mounten Sie das Verzeichnis in ein Docker-Volume. Wählen Sie **Pipe** aus, um Daten direkt von Amazon S3 in den Container zu streamen.
1. Um einen weiteren Eingabekanal hinzuzufügen, wählen Sie **Kanal hinzufügen** aus. Wenn Sie mit dem Hinzufügen von Eingabekanälen fertig sind, wählen Sie **Fertig** aus.
1. Geben Sie für den Speicherort **Ausgabe** die folgende Werte an:
1. Wählen Sie für **S3-Ausgabepfad** den S3-Speicherort aus, an dem der Trainingsauftrag die Ausgabe wie z. B. Modellartefakte speichert.
**Anmerkung**
Sie verwenden die Modellartefakte an diesem Speicherort zum Erstellen eines Modells oder Modellpakets aus diesem Trainingsauftrag.
1. Für den **Verschlüsselungsschlüssel**, wenn Sie möchten, dass SageMaker KI einen AWS KMS Schlüssel verwendet, um die am S3-Speicherort gespeicherten Ausgabedaten zu verschlüsseln.
1. Geben Sie für **Tags** ein oder mehrere Tags an, um den Trainingsauftrag zu verwalten. Jedes Tag besteht aus einem Schlüssel und einem optionalen Wert. Tag-Schlüssel müssen in einer Ressource eindeutig sein.
1. Wählen Sie **Trainingsauftrag erstellen** aus, um den Trainingsauftrag auszuführen.
## Verwenden eines Algorithmus zum Ausführen eines Trainingsauftrags (API)
Um einen Algorithmus zur Ausführung eines Trainingsjobs mithilfe der SageMaker API zu verwenden, geben Sie entweder den Namen oder den Amazon-Ressourcennamen (ARN) als `AlgorithmName` Feld des [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AlgorithmSpecification.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AlgorithmSpecification.html)Objekts an, an das Sie übergeben [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html). Informationen zu Trainingsmodellen in SageMaker KI finden Sie unter[Trainiere ein Modell mit Amazon SageMaker](how-it-works-training.md).
## Einen Algorithmus verwenden, um einen Trainingsjob auszuführen ([Amazon SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable))
Verwenden Sie einen Algorithmus, den Sie erstellt oder abonniert haben, AWS Marketplace um einen Trainingsjob zu erstellen, erstellen Sie ein `AlgorithmEstimator` Objekt und geben Sie entweder den Amazon-Ressourcennamen (ARN) oder den Namen des Algorithmus als Wert des `algorithm_arn` Arguments an. Rufen Sie dann die `fit`-Methode der Schätzfunktion auf. Beispiel:
```
from sagemaker import AlgorithmEstimator
data_path = os.path.join(DATA_DIR, 'marketplace', 'training')
algo = AlgorithmEstimator(
algorithm_arn='arn:aws:sagemaker:us-east-2:012345678901:algorithm/my-algorithm',
role='SageMakerRole',
instance_count=1,
instance_type='ml.c4.xlarge',
sagemaker_session=sagemaker_session,
base_job_name='test-marketplace')
train_input = algo.sagemaker_session.upload_data(
path=data_path, key_prefix='integ-test-data/marketplace/train')
algo.fit({'training': train_input})
```
# Verwenden eines Algorithmus zum Ausführen eines Hyperparameter-Optimierungsauftrags
Im folgenden Abschnitt wird erklärt, wie Sie eine Algorithmusressource verwenden, um einen Hyperparameter-Tuning-Job in Amazon SageMaker AI auszuführen. Ein Hyperparameteroptimierungsauftrag sucht die beste Version eines Modells durch Ausführen vieler Trainingsaufträge in Ihrem Datensatz. Dabei werden der Algorithmus und Bereiche der Hyperparameter, die Sie angeben, verwendet. Anschließend werden die Hyperparameter-Werte ausgewählt, die ein Modell ergeben, das gemessen an einer von Ihnen ausgewählten Metrik die beste Leistung erzielt. Weitere Informationen finden Sie unter [Automatische Modelloptimierung mit KI SageMaker](automatic-model-tuning.md).
Sie können mithilfe der Amazon SageMaker AI-Konsole, der SageMaker Low-Level-Amazon-API oder des [Amazon SageMaker Python-SDK](https://sagemaker.readthedocs.io/en/stable) eine Algorithmusressource erstellen, um einen Hyperparameter-Tuning-Job zu erstellen.
**Topics**
+ [Verwenden eines Algorithmus zum Ausführen eines Hyperparameteroptimierungsauftrags (Konsole)](#sagemaker-mkt-algo-tune-console)
+ [Verwenden eines Algorithmus zum Ausführen eines Hyperparameteroptimierungsauftrags (API)](#sagemaker-mkt-algo-tune-api)
+ [Verwenden Sie einen Algorithmus, um einen Hyperparameter-Tuning-Job auszuführen ([Amazon SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable))](#sagemaker-mkt-algo-tune-sdk)
## Verwenden eines Algorithmus zum Ausführen eines Hyperparameteroptimierungsauftrags (Konsole)
**So verwenden Sie einen Algorithmus zum Ausführen eines Hyperparameteroptimierungsauftrags (Konsole)**
1. Öffnen Sie die SageMaker AI-Konsole unter. [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)
1. Wählen Sie **Algorithmen** aus.
1. Wählen Sie einen Algorithmus, den Sie aus der Liste auf der Registerkarte **Meine Algorithmen** erstellt haben, oder wählen Sie auf der Registerkarte **AWS Marketplace -Abonnements** einen Algorithmus aus, den Sie abonniert haben.
1. Wählen Sie **Create hyperparameter tuning job (Hyperparameteroptimierungsauftrag erstellen)** aus.
Der Algorithmus, den Sie ausgewählt haben, wird automatisch markiert.
1. Geben Sie auf der Seite **Create hyperparameter tuning job (Hyperparameteroptimierungsauftrag erstellen)** die folgenden Informationen an:
1. Wählen Sie für **Warm start (Warmstart)** die Option **Enable warm start (Warmstart aktivieren)** aus, um die Informationen aus vorherigen Hyperparameteroptimierungsaufträgen als Startpunkt für diesen Hyperparameteroptimierungsauftrag zu verwenden. Weitere Informationen finden Sie unter [Durchführen eines Hyperparameter-Optimierungsauftrags mit Warmstart](automatic-model-tuning-warm-start.md).
1. Wählen Sie **Identical data and algorithm (Identische Daten und Algorithmus)** aus, wenn Ihre Eingabedaten mit den Eingabedaten für die übergeordneten Aufträge dieses Hyperparameteroptimierungsauftrags identisch sind. Sie können auch **Transfer Learning (Lernen übertragen)** auswählen, um zusätzliche oder andere Eingabedaten für diesen Hyperparameteroptimierungsauftrag zu verwenden.
1. Wählen Sie für **Parent hyperparameter tuning job(s) (Übergeordnete Hyperparameteroptimierungsaufträge)** bis zu 5 Hyperparameteroptimierungsaufträge aus, die als übergeordnete Aufträge für diesen Hyperparameteroptimierungsauftrag verwendet werden sollen.
1. Geben Sie für **Hyperparameter tuning job name (Name des Hyperparameteroptimierungsauftrags)** einen Namen für den Optimierungsauftrag ein.
1. Wählen Sie für die **IAM-Rolle** eine IAM-Rolle aus, die über die erforderlichen Berechtigungen zum Ausführen von Hyperparameter-Tuning-Jobs in SageMaker KI verfügt, oder wählen Sie **Neue Rolle erstellen, damit SageMaker KI eine** Rolle erstellen kann, der die `AmazonSageMakerFullAccess` verwaltete Richtlinie zugeordnet ist. Weitere Informationen finden Sie unter [Wie verwendet man SageMaker AI-Ausführungsrollen](sagemaker-roles.md).
1. Wählen Sie für **VPC** eine Amazon VPC aus, auf die die Trainingsaufträge, die der Tuning-Auftrag startet, zugreifen können sollen. Weitere Informationen finden Sie unter [Geben Sie SageMaker KI-Schulungsjobs Zugriff auf Ressourcen in Ihrer Amazon VPC](train-vpc.md).
1. Wählen Sie **Weiter** aus.
1. Wählen Sie für **Objective metric (Objektive Metrik)** die Metrik aus, mit der der Hyperparameteroptimierungsauftrag die bestmögliche Kombination von Hyperparametern bestimmen soll, und geben Sie an, ob diese Metrik minimiert oder maximiert werden soll. Weitere Informationen finden Sie unter [Anzeigen des optimalen Trainingsauftrags](automatic-model-tuning-ex-tuning-job.md#automatic-model-tuning-best-training-job).
1. Wählen Sie für **Hyperparameter configuration (Hyperparameter-Konfiguration)** Bereiche für die optimierbaren Hyperparameter aus, die der Optimierungsauftrag suchen soll. Legen Sie statische Werte für Hyperparameter fest, die in allen Trainingsaufträgen, die vom Hyperparameteroptimierungsauftrag gestartet werden, konstant bleiben sollen. Weitere Informationen finden Sie unter [Definieren von Hyperparameter-Bereichen](automatic-model-tuning-define-ranges.md).
1. Wählen Sie **Weiter** aus.
1. Geben Sie für **Input data configuration (Eingabedatenkonfiguration)** die folgenden Werte für jeden Eingabedatenkanal ein, der für den Hyperparameteroptimierungsauftrag verwendet werden soll. Im Abschnitt **Channel specification (Kanalspezifikation)** der Seite **Algorithm summary (Algorithmusübersicht)** können Sie sehen, welche Kanäle der von Ihnen verwendete Algorithmus für die Hyperparameteroptimierung unterstützt, sowie den Inhaltstyp, den unterstützten Komprimierungstyp und unterstützte Eingabemodi für jeden Kanal.
1. Geben Sie unter **Kanalname** den Namen des Eingabekanals ein.
1. Geben Sie für **Content type (Content-Type)** den Inhaltstyp der Daten ein, die der Algorithmus für den Channel erwartet.
1. Wählen Sie für **Komprimierungstyp** den Datenkomprimierungstyp aus, falls vorhanden.
1. Wählen Sie für **Wrapper aufzeichnen** die Option `RecordIO` aus, wenn der Algorithmus Daten im `RecordIO`-Format erwartet.
1. Geben Sie für **S3 data type (S3-Datentyp)**, **S3 data distribution type (S3-Verteilungstyp)** und **S3 location (S3-Speicherort)** die entsprechenden Werte ein. Weitere Informationen zur Bedeutung dieser Werte finden Sie unter [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_S3DataSource.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_S3DataSource.html).
1. Wählen Sie für **Eingabemodus** die Option **Datei** aus, um die Daten aus dem bereitgestellten ML-Speicher-Volume herunterzuladen, und mounten Sie das Verzeichnis in ein Docker-Volume. Wählen Sie **Pipe** aus, um Daten direkt von Amazon S3 in den Container zu streamen.
1. Um einen weiteren Eingabekanal hinzuzufügen, wählen Sie **Kanal hinzufügen** aus. Wenn Sie mit dem Hinzufügen von Eingabekanälen fertig sind, wählen Sie **Fertig** aus.
1. Geben Sie für den Speicherort **Ausgabe** die folgende Werte an:
1. Wählen Sie für **S3 output path (S3-Ausgabepfad)** den S3-Speicherort aus, an dem die Trainingsaufträge, die dieser Hyperparameteroptimierungsauftrag startet, Ausgaben wie z. B. Modellartefakte speichert.
**Anmerkung**
Sie verwenden die Modellartefakte an diesem Speicherort zum Erstellen eines Modells oder Modellpakets aus diesem Hyperparameteroptimierungsauftrag.
1. Für den **Verschlüsselungsschlüssel**, wenn Sie möchten, dass SageMaker KI einen AWS KMS Schlüssel verwendet, um die am S3-Speicherort gespeicherten Ausgabedaten zu verschlüsseln.
1. Geben Sie für **Ressourcenkonfiguration** die folgenden Informationen an:
1. Wählen Sie für **Instance type (Instance-Typ)** den Instance-Typ für jeden Trainingsauftrag aus, der von diesem Hyperparameteroptimierungsauftrag gestartet wird.
1. Geben Sie für **Instance count (Instance-Anzahl)** die Anzahl von ML-Instances für jeden Trainingsauftrag an, der von diesem Hyperparameteroptimierungsauftrag gestartet wird.
1. Geben Sie für **Additional volume per instance (GB) (Zusätzliches Volume pro Instance (GB))** die Größe des ML-Speicher-Volumes ein, die Sie für jeden Trainingsauftrag bereitstellen möchten, der vom Hyperparameteroptimierungsauftrag gestartet wird. ML-Speicher-Volumes speichern Modellartefakte und inkrementelle Zustände.
1. Geben Sie **unter Verschlüsselungsschlüssel** den Schlüssel an, wenn Sie möchten, dass Amazon SageMaker AI einen AWS Key Management Service-Schlüssel verwendet, um Daten auf dem ML-Speichervolume zu verschlüsseln, das den Trainingsinstanzen zugeordnet ist.
1. Geben Sie für **Resource limits (Ressourcenlimits)** die folgenden Informationen an:
1. Geben Sie für **Maximum training jobs (Maximale Zahl Trainingsaufträge)** die maximale Anzahl der Trainingsaufträge an, die der Hyperparameteroptimierungsauftrag starten soll. Ein Hyperparameteroptimierungsauftrag kann maximal 500 Trainingsaufträge starten.
1. Geben Sie für **Maximum parallel training jobs (Maximale Anzahl paralleler Trainingsaufträge)** die maximale Anzahl gleichzeitiger Trainingsaufträge an, die der Hyperparameteroptimierungsauftrag starten kann. Ein Hyperparameteroptimierungsauftrag kann maximal 10 Trainingsaufträge gleichzeitig starten.
1. Geben Sie für **Stopping condition (Stopp-Bedingung)** die maximale Zeit in Sekunden, Minuten, Stunden oder Tagen an, die jeder Trainingsauftrag, der vom Hyperparameteroptimierungsauftrag gestartet wird, ausgeführt werden soll.
1. Geben Sie für **Tags** ein oder mehrere Tags an, um den Hyperparameteroptimierungsauftrag zu verwalten. Jedes Tag besteht aus einem Schlüssel und einem optionalen Wert. Tag-Schlüssel müssen in einer Ressource eindeutig sein.
1. Wählen Sie **Create jobs (Aufträge erstellen)** aus, um den Hyperparameteroptimierungsauftrag auszuführen.
## Verwenden eines Algorithmus zum Ausführen eines Hyperparameteroptimierungsauftrags (API)
Um einen Algorithmus zur Ausführung eines Hyperparameter-Tuning-Jobs mithilfe der SageMaker API zu verwenden, geben Sie entweder den Namen oder den Amazon-Ressourcennamen (ARN) des Algorithmus als `AlgorithmName` Feld des [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AlgorithmSpecification.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AlgorithmSpecification.html)Objekts an, an [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateHyperParameterTuningJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateHyperParameterTuningJob.html)das Sie übergeben. Informationen zum Hyperparameter-Tuning in SageMaker KI finden Sie unter. [Automatische Modelloptimierung mit KI SageMaker](automatic-model-tuning.md)
## Verwenden Sie einen Algorithmus, um einen Hyperparameter-Tuning-Job auszuführen ([Amazon SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable))
Verwenden Sie einen Algorithmus, den Sie erstellt oder abonniert haben, AWS Marketplace um einen Hyperparameter-Tuning-Job zu erstellen, ein `AlgorithmEstimator` Objekt zu erstellen und entweder den Amazon-Ressourcennamen (ARN) oder den Namen des Algorithmus als Wert des `algorithm_arn` Arguments anzugeben. Initialisieren Sie anschließend ein `HyperparameterTuner`-Objekt mit dem `AlgorithmEstimator`, den Sie als Wert des `estimator`-Arguments erstellt haben. Rufen Sie abschließend die `fit`-Methode des `AlgorithmEstimator` auf. Beispiel:
```
from sagemaker import AlgorithmEstimator
from sagemaker.tuner import HyperparameterTuner
data_path = os.path.join(DATA_DIR, 'marketplace', 'training')
algo = AlgorithmEstimator(
algorithm_arn='arn:aws:sagemaker:us-east-2:764419575721:algorithm/scikit-decision-trees-1542410022',
role='SageMakerRole',
instance_count=1,
instance_type='ml.c4.xlarge',
sagemaker_session=sagemaker_session,
base_job_name='test-marketplace')
train_input = algo.sagemaker_session.upload_data(
path=data_path, key_prefix='integ-test-data/marketplace/train')
algo.set_hyperparameters(max_leaf_nodes=10)
tuner = HyperparameterTuner(estimator=algo, base_tuning_job_name='some-name',
objective_metric_name='validation:accuracy',
hyperparameter_ranges=hyperparameter_ranges,
max_jobs=2, max_parallel_jobs=2)
tuner.fit({'training': train_input}, include_cls_metadata=False)
tuner.wait()
```
# Verwenden eines Modellpakets zum Erstellen eines Modells
Verwenden Sie ein Modellpaket zum Erstellen eines bereitstellbaren Modells, das Sie verwenden können, um Echtzeit-Inferenzen abzurufen, indem Sie einen gehosteten Endpunkt erstellen oder Stapelumwandlungsaufträge ausführen. Sie können ein bereitstellbares Modell aus einem Modellpaket erstellen, indem Sie die Amazon SageMaker AI-Konsole, die SageMaker Low-Level-API) oder das [Amazon SageMaker Python](https://sagemaker.readthedocs.io/en/stable) SDK verwenden.
**Topics**
+ [Verwenden eines Modellpakets zum Erstellen eines Modells (Konsole)](#sagemaker-mkt-model-pkg-model-console)
+ [Verwenden eines Modellpakets zum Erstellen eines Modells (API)](#sagemaker-mkt-model-pkg-model-api)
+ [Verwenden Sie ein Modellpaket, um ein Modell zu erstellen ([Amazon SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable))](#sagemaker-mkt-model-pkg-model-sdk)
## Verwenden eines Modellpakets zum Erstellen eines Modells (Konsole)
**So erstellen Sie ein bereitstellbares Modell aus einem Modellpaket (Konsole)**
1. Öffnen Sie die SageMaker AI-Konsole unter. [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)
1. Wählen Sie **Model packages (Modellpakete)** aus.
1. Wählen Sie ein Modellpaket, das Sie aus der Liste auf der Registerkarte **Meine Modellpakete** erstellt haben, oder wählen Sie auf der Registerkarte **AWS Marketplace -Abonnements** ein Modellpaket aus, das Sie abonniert haben.
1. Wählen Sie **Modell erstellen** aus.
1. Geben Sie für **Model name (Modellname)** einen Namen für das Modell ein.
1. Wählen Sie für die **IAM-Rolle** eine IAM-Rolle aus, die über die erforderlichen Berechtigungen verfügt, um in Ihrem Namen andere Dienste aufzurufen, oder wählen Sie **Neue Rolle erstellen, damit SageMaker KI eine** Rolle erstellen kann, der die `AmazonSageMakerFullAccess` verwaltete Richtlinie angehängt ist. Weitere Informationen finden Sie unter [Wie verwendet man SageMaker AI-Ausführungsrollen](sagemaker-roles.md).
1. Wählen Sie für **VPC** eine Amazon VPC aus, auf die das Modell zugreifen kann. Weitere Informationen finden Sie unter [Geben Sie SageMaker KI-gehosteten Endpunkten Zugriff auf Ressourcen in Ihrer Amazon VPC](host-vpc.md).
1. Übernehmen Sie die Standardwerte für **Container input options (Container-Eingabeoptionen)** und **Choose model package (Modellpaket auswählen)**.
1. Geben Sie für Umgebungsvariablen die Namen und Werte der Umgebungsvariablen an, die Sie an den Modellcontainer übergeben möchten.
1. Geben Sie für **Tags** ein oder mehrere Tags an, um das Modell zu verwalten. Jedes Tag besteht aus einem Schlüssel und einem optionalen Wert. Tag-Schlüssel müssen in einer Ressource eindeutig sein.
1. Wählen Sie **Modell erstellen** aus.
Nach dem Erstellen eines bereitstellbaren Modells können Sie es verwenden, um einen Endpunkt für die Echtzeit-Inferenz einzurichten oder einen Stapelumwandlungsauftrag zum Abrufen von Inferenzen für ganze Datensätze zu erstellen. Informationen zum Hosten von Endpunkten in SageMaker KI finden Sie unter [Deploy Models](https://docs.aws.amazon.com/sagemaker/latest/dg/deploy-model.html) for Inference.
## Verwenden eines Modellpakets zum Erstellen eines Modells (API)
Um ein Modellpaket zu verwenden, um mithilfe der SageMaker API ein bereitstellbares Modell zu erstellen, geben Sie den Namen oder den Amazon-Ressourcennamen (ARN) des Modellpakets als `ModelPackageName` Feld des [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_ContainerDefinition.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_ContainerDefinition.html)Objekts an, das Sie an die [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateModel.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateModel.html)API übergeben.
Nach dem Erstellen eines bereitstellbaren Modells können Sie es verwenden, um einen Endpunkt für die Echtzeit-Inferenz einzurichten oder einen Stapelumwandlungsauftrag zum Abrufen von Inferenzen für ganze Datensätze zu erstellen. Informationen zu gehosteten Endpunkten in SageMaker KI finden Sie unter [Deploy Models for Inference.](https://docs.aws.amazon.com/sagemaker/latest/dg/deploy-model.html)
## Verwenden Sie ein Modellpaket, um ein Modell zu erstellen ([Amazon SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable))
Um ein Modellpaket zu verwenden, um mithilfe des SageMaker AI Python SDK ein bereitstellbares Modell zu erstellen, initialisieren Sie ein `ModelPackage` Objekt und übergeben Sie den Amazon-Ressourcennamen (ARN) des Modellpakets als Argument. `model_package_arn` Beispiel:
```
from sagemaker import ModelPackage
model = ModelPackage(role='SageMakerRole',
model_package_arn='training-job-scikit-decision-trees-1542660466-6f92',
sagemaker_session=sagemaker_session)
```
Nach dem Erstellen eines bereitstellbaren Modells können Sie es verwenden, um einen Endpunkt für die Echtzeit-Inferenz einzurichten oder einen Stapelumwandlungsauftrag zum Abrufen von Inferenzen für ganze Datensätze zu erstellen. Informationen zum Hosten von Endpunkten in SageMaker KI finden Sie unter [Deploy Models](https://docs.aws.amazon.com/sagemaker/latest/dg/deploy-model.html) for Inference.