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. # Benutzerdefinierte Algorithmen und Modelle mit AWS Marketplace In den folgenden Abschnitten wird gezeigt, wie Sie Algorithmus- und Modellpaketressourcen erstellen, die Sie lokal verwenden und im AWS Marketplace veröffentlichen können. **Topics** + [Erstellen von Algorithmus- und Modellpaketressourcen](sagemaker-mkt-create.md) + [Verwenden von Algorithmus- und Modellpaketressourcen](sagemaker-mkt-buy.md) # Erstellen von Algorithmus- und Modellpaketressourcen Nachdem Ihr and/or Trainingsinferenzcode in Docker-Containern verpackt wurde, erstellen Sie Algorithmus- und Modellpaketressourcen, die Sie in Ihrem Amazon SageMaker AI-Konto verwenden und optional veröffentlichen können. AWS Marketplace **Topics** + [Erstellen einer Algorithmusressource](sagemaker-mkt-create-algo.md) + [Erstellen einer Modellpaketressource](sagemaker-mkt-create-model-package.md) # Erstellen einer Algorithmusressource Sie können eine Algorithmusressource erstellen, die Sie für Trainingsjobs in Amazon SageMaker AI verwenden können, und Sie können sie auf veröffentlichen AWS Marketplace. In den folgenden Abschnitten wird erklärt, wie Sie dies mithilfe der AWS-Managementkonsole und der SageMaker API tun können. Zum Erstellen einer Algorithmusressource geben Sie die folgenden Informationen an: + Die Docker-Container mit dem Trainings- und optional dem Inferenzcode. + Die Konfiguration der Eingabedaten, die Ihr Algorithmus für das Training erwartet. + Die Hyperparameter, die Ihr Algorithmus unterstützt. + Metriken, die Ihr Algorithmus CloudWatch während Trainingsjobs an Amazon sendet. + Die Instance-Typen, die Ihr Algorithmus zu Trainings- und Inferenzzwecken unterstützt, und die Angabe, ob verteilte Trainings über mehrere Instances hinweg unterstützt werden. + Validierungsprofile, das sind Trainingsjobs, die SageMaker KI verwendet, um den Trainingscode Ihres Algorithmus zu testen, und Batch-Transformationsjobs, die SageMaker KI ausführt, um den Inferenzcode Ihres Algorithmus zu testen. Um sicherzustellen, dass Käufer und Verkäufer sicher sein können, dass Produkte mit SageMaker KI funktionieren, verlangen wir, dass Sie Ihre Algorithmen validieren, bevor Sie sie anbieten. AWS Marketplace Sie können Produkte in der AWS Marketplace nur anbieten, wenn die Validierung erfolgreich ist. Um Ihre Algorithmen zu validieren, verwendet SageMaker KI Ihr Validierungsprofil und Ihre Beispieldaten, um die folgenden Validierungsaufgaben auszuführen: 1. Erstellen Sie in Ihrem Konto einen Trainingsjob, um zu überprüfen, ob Ihr Trainingsimage mit SageMaker KI funktioniert. 1. Wenn Sie Inferenzcode in Ihren Algorithmus einbezogen haben, erstellen Sie ein Modell in Ihrem Konto mithilfe des Inferenz-Image des Algorithmus und der Modellartefakte, die vom Trainingsauftrag generiert wurden. 1. Wenn Sie Inferenzcode in Ihren Algorithmus aufgenommen haben, erstellen Sie in Ihrem Konto mithilfe des Modells einen Transformationsjob, um zu überprüfen, ob Ihr Inferenzbild mit SageMaker KI funktioniert. Wenn Sie Ihr Produkt auf der Website AWS Marketplace anbieten, werden die Eingaben und Ergebnisse dieses Validierungsprozesses als Teil Ihres Produkts beibehalten und Ihren Käufern zur Verfügung gestellt. Auf diese Weise können Käufer das Produkt verstehen und beurteilen, bevor sie es kaufen. Käufer können z. B. die von Ihnen verwendeten Eingabedaten, die generierten Ausgaben sowie die Protokolle und Metriken, die von Ihrem Code ausgegeben werden, inspizieren. Je umfassender Ihre Validierungsspezifikation ist, desto einfacher ist es für die Kunden, Ihr Produkt zu beurteilen. **Anmerkung** Geben Sie in Ihrem Validierungsprofil nur Daten an, die Sie öffentlich bereitstellen möchten. Die Validierung kann einige Stunden in Anspruch nehmen. Den Status der Jobs in Ihrem Konto finden Sie in der SageMaker AI-Konsole auf den Seiten **Training Jobs** und **Transform Jobs**. Wenn die Validierung fehlschlägt, können Sie über die SageMaker AI-Konsole auf die Scan- und Validierungsberichte zugreifen. Wenn Probleme gefunden werden, müssen Sie den Algorithmus erneut erstellen. **Anmerkung** Um Ihren Algorithmus zu veröffentlichen AWS Marketplace, ist mindestens ein Validierungsprofil erforderlich. Sie können einen Algorithmus entweder mithilfe der SageMaker KI-Konsole oder der SageMaker KI-API erstellen. **Topics** + [Erstellen einer Algorithmusressource (Konsole)](#sagemaker-mkt-create-algo-console) + [Erstellen einer Algorithmusressource (API)](#sagemaker-mkt-create-algo-api) ## Erstellen einer Algorithmusressource (Konsole) **So erstellen Sie eine Algorithmusressource (Konsole)** 1. Öffnen Sie die SageMaker AI-Konsole unter [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/). 1. Wählen Sie aus dem linken Menü **Training** aus. 1. Wählen Sie aus dem Dropdown-Menü die Option **Algorithmen** und dann**Algorithmus erstellen** aus. 1. Geben Sie auf der Seite **Training specifications (Trainingsspezifikationen)** folgende Informationen an: 1. Geben Sie unter **Algorithm name (Name des Algorithmus)** einen Namen für den Algorithmus ein. Der Name des Algorithmus muss in Ihrem Konto und in der AWS Region eindeutig sein. Der Name muss 1 bis 64 Zeichen enthalten. Gültige Zeichen sind a–z, A-Z, 0–9 und Bindestrich (-). 1. Geben Sie eine Beschreibung für den Algorithmus ein. Diese Beschreibung erscheint in der SageMaker AI-Konsole und in der AWS Marketplace. 1. Geben Sie unter **Trainings-Image den Pfad in Amazon ECR ein, in dem Ihr Trainingscontainer gespeichert ist**. 1. Wählen Sie für **Support distributed training (Verteilte Trainings unterstützen)** die Option **Yes (Ja)** aus, wenn Ihr Algorithmus Trainings auf mehreren Instances unterstützt. Wählen Sie andernfalls **No (Nein)** aus. 1. Wählen Sie für **Support instance types for training (Instance-Typen für Trainings unterstützen)** die Instance-Typen aus, die Ihr Algorithmus unterstützt. 1. Geben Sie für **Channel specification (Kanalspezifikation)** bis zu 8 Kanäle für Eingabedaten Ihres Algorithmus an. Sie können beispielsweise 3 Eingabekanäle mit dem Namen `train`, `validation` und `test` angeben. Geben Sie für jeden Kanal die folgenden Informationen an: 1. Geben Sie im Feld **Channel name (Kanalname)** einen Namen für den Kanal ein. Der Name muss 1 bis 64 Zeichen enthalten. Gültige Zeichen sind a–z, A-Z, 0–9 und Bindestrich (-). 1. Damit der Kanal für Ihren Algorithmus angefordert wird, wählen Sie **Channel required (Kanal erforderlich)** aus. 1. Geben Sie eine Beschreibung für den Kanal ein. 1. Wählen Sie für **Supported input modes (Unterstützte Eingabemodi)** die Option **Pipe mode (Pipe-Modus)** aus, wenn Ihr Algorithmus das Streamen von Eingabedaten unterstützt, und **File mode (Dateimodus)**, wenn Ihr Algorithmus das Herunterladen der Eingabedaten als Datei unterstützt. Sie können beides auswählen. 1. Geben Sie für **Supported content types (Unterstützte Inhaltstypen)** den MIME-Typ ein, den Ihr Algorithmus für Eingabedaten erwartet. 1. Wählen Sie für **Supported compression type (Unterstützter Komprimierungstyp)** die Option **Gzip** aus, wenn Ihr Algorithmus die Gzip-Komprimierung unterstützt. Klicken Sie andernfalls auf **None (Keine)**. 1. Wählen Sie **Add (Hinzufügen)** zum Hinzufügen einer weiteren Dateneingabe oder **Next (Weiter)** aus, wenn Sie damit fertig sind. 1. Geben Sie auf der Seite **Tuning specifications (Optimierungsspezifikationen)** folgende Informationen an: 1. Geben Sie für **Hyperparameter specification (Hyperparameterspezifikation)** die Hyperparameter ein, die Ihr Algorithmus durch Bearbeiten des JSON-Objekts unterstützt. Erstellen Sie für jeden von Ihrem Algorithmus unterstützten Hyperparameter einen JSON-Block, der etwa wie folgt aussieht: ``` { "DefaultValue": "5", "Description": "The first hyperparameter", "IsRequired": true, "IsTunable": false, "Name": "intRange", "Range": { "IntegerParameterRangeSpecification": { "MaxValue": "10", "MinValue": "1" }, "Type": "Integer" } ``` Geben Sie Folgendes in die JSON ein: 1. Geben Sie für `DefaultValue` einen Standardwert für den Hyperparameter an, falls vorhanden. 1. Geben Sie für `Description` eine Beschreibung für den Hyperparameter ein. 1. Geben Sie für `IsRequired` an, ob der Hyperparameter erforderlich ist. 1. Geben Sie für `IsTunable` `true` an, falls dieser Hyperparameter optimiert werden kann, wenn ein Benutzer einen Hyperparameteroptimierung ausführt, der diesen Algorithmus verwendet. Weitere Informationen finden Sie unter [Automatische Modelloptimierung mit KI SageMaker](automatic-model-tuning.md). 1. Geben Sie für `Name` einem Namen für den Hyperparameter ein. 1. Geben Sie für `Range` einen der folgenden Werte an: + `IntegerParameterRangeSpecification` – Die Werte der Hyperparameter sind Ganzzahlen. Geben Sie die Mindest- und Höchstwerte für den Hyperparameter an. + + `ContinuousParameterRangeSpecification` – Die Werte des Hyperparameters sind Gleitkommawerte. Geben Sie die Mindest- und Höchstwerte für den Hyperparameter an. + `CategoricalParameterRangeSpecification` – Die Werte des Hyperparameters sind kategorische Werte. Geben Sie eine Liste aller möglichen Werte an. 1. Legen Sie für `Type` die Option `Integer`, `Continuous` oder `Categorical` fest. Der Wert muss dem Typ `Range` entsprechen, den Sie angegeben haben. 1. Geben Sie für **Metrikdefinitionen** alle Trainingsmetriken an, die Ihr Algorithmus ausgeben soll. SageMaker KI verwendet den von Ihnen angegebenen regulären Ausdruck, um die Metriken zu ermitteln, indem die Protokolle aus Ihrem Trainingscontainer während des Trainings analysiert werden. Benutzer können diese Metriken einsehen, wenn sie Trainingsjobs mit Ihrem Algorithmus ausführen, und sie können die Metriken in Amazon überwachen und grafisch darstellen CloudWatch. Weitere Informationen finden Sie unter [Amazon CloudWatch Metrics für die Überwachung und Analyse von Schulungsaufträgen](training-metrics.md). Stellen Sie für jede Metrik die folgenden Informationen bereit: 1. Geben Sie für **Metric name (Metrikname)** einen Namen für die Metrik ein. 1. Geben Sie für `Regex` den regulären Ausdruck ein, den SageMaker KI verwendet, um Trainingsprotokolle zu analysieren, damit sie den Metrikwert finden kann. 1. Wählen Sie für **Objective metric support (Unterstützung für objektive Metrik)** die Option **Yes (Ja)** aus, wenn diese Metrik als objektive Metrik für einen Hyperparameteroptimierungsauftrag verwendet werden kann. Weitere Informationen finden Sie unter [Automatische Modelloptimierung mit KI SageMaker](automatic-model-tuning.md). 1. Wählen Sie **Add metric (Metrik hinzufügen)** zum Hinzufügen einer weiteren Metrik oder **Next (Weiter)** aus, wenn Sie damit fertig sind. 1. Geben Sie auf der Seite **Inference specifications (Inferenzspezifikationen)** die folgenden Informationen ein, wenn Ihr Algorithmus Inferenz unterstützt: 1. Geben Sie bei **Speicherort des Inferenz-Image** den Pfad in Amazon ECR ein, unter dem Ihr Inferenz-Container gespeichert ist. 1. Geben Sie für **Container DNS host name (DNS-Hostname des Containers)** den Namen eines DNS-Hosts für Ihr Image ein. 1. Wählen Sie **unter Unterstützte Instanztypen für Echtzeit-Inferenz** die Instanztypen aus, die Ihr Algorithmus für Modelle unterstützt, die als gehostete Endpunkte in KI bereitgestellt werden. SageMaker Weitere Informationen finden Sie unter [Modelle für Inference einsetzen](deploy-model.md). 1. Wählen Sie für **Supported instance types for batch transform jobs (Unterstützte Instance-Typen für Stapelumwandlungsaufträge)** die Instance-Typen aus, die Ihr Algorithmus für Stapelumwandlungsaufträge unterstützt. Weitere Informationen finden Sie unter [Batch-Transformation für Inferenz mit Amazon AI SageMaker](batch-transform.md). 1. Geben Sie für **Supported content types (Unterstützte Inhaltstypen)** den Typ der Eingabedaten ein, den Ihr Algorithmus für Inferenzanforderungen erwartet. 1. Geben Sie für **Supported response MIME types (Unterstützte MIME-Antworttypen**) die MIME-Typen ein, die Ihr Algorithmus für Inferenzantworten unterstützt. 1. Wählen Sie **Weiter** aus. 1. Geben Sie auf der Seite **Validation specifications (Validierungsspezifikationen)** folgende Informationen an: 1. Wählen **Sie für Diesen Algorithmus veröffentlichen am** die Option **Ja** aus AWS Marketplace, um den Algorithmus zu veröffentlichen. AWS Marketplace 1. Wählen Sie für **Diese Ressource validieren** die Option **Ja** aus, wenn SageMaker KI den and/or batch transform jobs that you specify to test the training and/or Inferenzcode Ihres Algorithmus für Trainingsjobs ausführen soll. **Anmerkung** Um Ihren Algorithmus zu veröffentlichen AWS Marketplace, muss Ihr Algorithmus validiert werden. 1. Wählen Sie für die **IAM-Rolle** eine IAM-Rolle aus, die über die erforderlichen Berechtigungen zum Ausführen von Trainingsjobs und Batch-Transformationsjobs 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 **Validation profile (Validierungsprofil)** Folgendes an: + Einen Namen für das Validierungsprofil. + Eine **Training job definition (Trainingsauftragsdefinition)**. Hierbei handelt es sich um einen JSON-Block, der einen Trainingsauftrag beschreibt. Dieser hat dasselbe Format wie der [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_TrainingJobDefinition.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_TrainingJobDefinition.html)-Eingabeparameter der [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAlgorithm.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAlgorithm.html)-API. + Eine **Transform job definition (Umwandlungsauftragsdefinition)**. Hierbei handelt es sich um einen JSON-Block, der einen Stapelumwandlungsauftrag beschreibt. Dieser hat dasselbe Format wie der [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_TransformJobDefinition.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_TransformJobDefinition.html)-Eingabeparameter der [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAlgorithm.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAlgorithm.html)-API. 1. Wählen Sie **Create algorithm (Algorithmus erstellen)** aus. ## Erstellen einer Algorithmusressource (API) Um mithilfe der API eine Algorithmusressource zu erstellen, rufen Sie die SageMaker [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAlgorithm.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAlgorithm.html)API auf. # Erstellen einer Modellpaketressource Um eine Modellpaketressource zu erstellen, mit der Sie bereitstellbare Modelle in Amazon SageMaker AI erstellen und am veröffentlichen können, AWS Marketplace geben Sie die folgenden Informationen an: + Den Docker-Container, der den Inferenzcode enthält, oder die Algorithmusressource, die zum Trainieren des Modells verwendet wurde. + Den Speicherort der Modellartefakte. Die Modellartefakte können entweder in denselben Docker-Container wie der Inferenzcode verpackt oder in Amazon S3 gespeichert werden. + Die Instance-Typen, die Ihr Modellpaket sowohl für Echtzeit-Inferenz- als auch für Stapelumwandlungsaufträge unterstützt. + Validierungsprofile, bei denen es sich um Batch-Transformationsjobs handelt, die SageMaker AI ausführt, um den Inferenzcode Ihres Modellpakets zu testen. Bevor Sie Modellpakete auflisten können AWS Marketplace, müssen Sie sie validieren. Dadurch wird sichergestellt, dass Käufer und Verkäufer darauf vertrauen können, dass Produkte in Amazon SageMaker AI funktionieren. Sie können Produkte AWS Marketplace nur anbieten, wenn die Validierung erfolgreich ist. Im Rahmen des Validierungsverfahrens werden Ihr Validierungsprofil und Beispieldaten verwendet, um die folgenden Validierungsaufgaben auszuführen: 1. Erstellen Sie ein Modell in Ihrem Konto unter Verwendung des Inferenz-Image des Modellpakets und der optionalen Modellartefakte, die in Amazon S3 gespeichert sind. **Anmerkung** Ein Modellpaket ist spezifisch für die Region, in der Sie es anlegen. Der S3-Bucket, in dem die Modellartefakte gespeichert sind, muss sich in der gleichen Region befinden, in der Sie das Modellpaket erstellt haben. 1. Erstellen Sie mithilfe des Modells einen Transformationsjob in Ihrem Konto, um zu überprüfen, ob Ihr Inferenzbild mit SageMaker KI funktioniert. 1. Erstellen Sie ein Validierungsprofil. **Anmerkung** Geben Sie in Ihrem Validierungsprofil nur Daten an, die Sie öffentlich bereitstellen möchten. Die Validierung kann einige Stunden in Anspruch nehmen. Den Status der Jobs in Ihrem Konto finden Sie in der SageMaker AI-Konsole auf den Seiten **Transform-Jobs**. Wenn die Validierung fehlschlägt, können Sie über die SageMaker AI-Konsole auf die Scan- und Validierungsberichte zugreifen. Erstellen Sie den Algorithmus nach der Behebung von Problemen neu. Wenn der Status des Algorithmus lautet`COMPLETED`, suchen Sie ihn in der SageMaker AI-Konsole und starten Sie den Listungsprozess **Anmerkung** Um Ihr Modellpaket auf zu veröffentlichen AWS Marketplace, ist mindestens ein Validierungsprofil erforderlich. Sie können ein Modellpaket entweder mithilfe der SageMaker AI-Konsole oder mithilfe der SageMaker API erstellen. **Topics** + [Erstellen einer Modellpaketressource (Konsole)](#sagemaker-mkt-create-model-pkg-console) + [Erstellen einer Modellpaketressource (API)](#sagemaker-mkt-create-model-pkg-api) ## Erstellen einer Modellpaketressource (Konsole) **So erstellen Sie ein Modellpaket in der SageMaker AI-Konsole:** 1. Öffnen Sie die SageMaker AI-Konsole unter [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/). 1. Wählen Sie im linken Menü **Inferenz** aus. 1. Wählen Sie **Marketplace-Modellpakete** und dann **Marketplace-Modellpaket erstellen**. 1. Geben Sie auf der Seite **Inference specifications (Inferenzspezifikationen)** folgende Informationen an: 1. Geben Sie im Feld **Model package name (Modellpaketname)** einen Namen für das Modellpaket ein. Der Name des Modellpakets muss in Ihrem Konto und in der AWS Region eindeutig sein. Der Name muss 1 bis 64 Zeichen enthalten. Gültige Zeichen sind a–z, A-Z, 0–9 und Bindestrich (-). 1. Geben Sie eine Beschreibung für das Modellpaket ein. Diese Beschreibung erscheint in der SageMaker AI-Konsole und in der AWS Marketplace. 1. Wählen Sie für **Inference specification options (Inferenzspezifikationsoptionen)** die Option **Provide the location of the inference image and model artifacts (Den Speicherort des Inferenz-Images und der Modellartefakte angeben)** aus, um ein Modellpaket mithilfe eines Inferenzcontainers und von Modellartefakten zu erstellen. Wählen Sie **Provide the algorithm used for training and its model artifacts (Den Algorithmus angeben, der für das Training und die entsprechenden Modellartefakte verwendet wird)** aus, um ein Modellpaket von einer Algorithmusressource zu generieren, die Sie erstellt oder von AWS Marketplace abonniert haben. 1. Wenn Sie **Provide the location of the inference image and model artifacts (Den Speicherort des Inferenz-Images und der Modellartefakte angeben)** für **Inference specification options (Inferenzspezifikationsoptionen)** ausgewählt haben, geben Sie die folgenden Informationen für **Container definition (Containerdefinition)** und **Supported resources (Unterstützte Ressourcen)** an: 1. Geben Sie im Feld **Location of inference image (Speicherort des Inferenz-Images)** den Pfad zu dem Image ein, das Ihren Inferenzcode enthält. Das Image muss als Docker-Container in Amazon ECR gespeichert werden. 1. Geben Sie für **Location of model data artifacts (Speicherort der Modelldatenartefakte)** den Speicherort in S3 ein, an dem Ihre Modellartefakte gespeichert werden. 1. Geben Sie für **Container DNS host name (Container-DNS-Hostname) **den Namen des DNS-Hosts ein, der für Ihren Container verwendet werden soll. 1. Wählen Sie **unter Unterstützte Instance-Typen für Echtzeit-Inferenz** die Instance-Typen aus, die Ihr Modellpaket für Echtzeit-Inferenzen von SageMaker KI-gehosteten Endpunkten unterstützt. 1. Wählen Sie für **Supported instance types for batch transform jobs (Unterstützte Instance-Typen für Stapelumwandlungsaufträge)** die Instance-Typen aus, die Ihr Modellpaket für Stapelumwandlungsaufträge unterstützt. 1. Geben Sie unter **Supported content types (Unterstützte Inhaltstypen)** die Inhaltstypen ein, die Ihr Modell bei Inferenzanforderungen erwartet. 1. Geben Sie für **Supported response MIME types (Unterstützte MIME-Antworttypen)** die MIME-Typen ein, die Ihr Modellpaket verwendet, um Inferenzen bereitzustellen. 1. Wenn Sie **Provide the algorithm used for training and its model artifacts (Den Algorithmus angeben, der für das Training und seine Modellartefakte verwendet wird)** für **Inference specification options (Inferenzspezifikationsoptionen)** auswählen, stellen Sie die folgenden Informationen bereit: 1. Geben Sie für **Algorithm ARN (Algorithmus-ARN)** den Amazon-Ressourcennamen (ARN) der Algorithmusressource ein, die zum Erstellen des Modellpakets verwendet werden soll. 1. Geben Sie für **Location of model data artifacts (Speicherort der Modelldatenartefakte)** den Speicherort in S3 ein, an dem Ihre Modellartefakte gespeichert werden. 1. Wählen Sie **Weiter** aus. 1. Geben Sie auf der Seite **Validation and scanning (Validieren und Scannen)** die folgenden Informationen an: 1. Wählen **Sie für Dieses Modellpaket veröffentlichen am** die Option **Ja** aus AWS Marketplace, um das Modellpaket zu veröffentlichen am. AWS Marketplace 1. Wählen Sie für **Diese Ressource validieren** die Option **Ja** aus, wenn SageMaker AI Batch-Transformationsjobs ausführen soll, die Sie angeben, um den Inferenzcode Ihres Modellpakets zu testen. **Anmerkung** Um Ihr Modellpaket auf zu veröffentlichen AWS Marketplace, muss Ihr Modellpaket validiert werden. 1. Wählen Sie für die **IAM-Rolle** eine IAM-Rolle aus, die über die erforderlichen Berechtigungen zum Ausführen von Batch-Transformationsaufträgen 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 **Validation profile (Validierungsprofil)** Folgendes an: + Einen Namen für das Validierungsprofil. + Eine **Transform job definition (Umwandlungsauftragsdefinition)**. Hierbei handelt es sich um einen JSON-Block, der einen Stapelumwandlungsauftrag beschreibt. Dieser hat dasselbe Format wie der [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_TransformJobDefinition.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_TransformJobDefinition.html)-Eingabeparameter der [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAlgorithm.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAlgorithm.html)-API. 1. Wählen Sie **Marketplace-Modellpaket erstellen** aus. ## Erstellen einer Modellpaketressource (API) Rufen Sie die API auf, um mithilfe der SageMaker API ein Modellpaket zu erstellen. [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateModelPackage.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateModelPackage.html) # 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.