Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.

# Parámetros de los algoritmos Built-in
<a name="common-info-all-im-models"></a>

En la siguiente tabla se enumeran los parámetros de cada uno de los algoritmos proporcionados por Amazon SageMaker AI.


| Nombre de algoritmo | Nombre de canal | Modo de entrada de capacitación | Tipo de archivo | Clase de instancia | Paralelizable | 
| --- | --- | --- | --- | --- | --- | 
| AutoGluon-Tabular | entrenamiento y validación (opcional) | Archivos | CSV | CPU o GPU (solo instancia única) | No | 
| BlazingText | capacitación | Archivo o canalización | Archivo de texto (una frase por línea con tokens separados por espacios)  | CPU o GPU (solo instancia única)  | No | 
| CatBoost | entrenamiento y validación (opcional) | Archivos | CSV | CPU (solo instancia única) | No | 
| Previsión DeepAR | capacitación y prueba (opcional) | Archivos | Líneas de JSON o Parquet | CPU o GPU | Sí | 
| Máquinas de factorización | capacitación y prueba (opcional) | Archivo o canalización | registro IO-protobuf | CPU (GPU para datos densos) | Sí | 
| Image Classification - MXNet | capacitación y validación, (opcional) train\_lst, validation\_lst y modelo | Archivo o canalización | recordIO o archivos de imagen (.jpg o .png)  | GPU | Sí | 
| Clasificación de imágenes - TensorFlow | entrenamiento y validación | Archivos | archivos de imagen (.jpg, .jpeg o.png)  | CPU o GPU | Sí (solo en múltiples GPU en una sola instancia) | 
| Información de IP | capacitación y validación (opcional) | Archivos | CSV | CPU o GPU | Sí | 
| K-Means | capacitación y prueba (opcional) | Archivo o canalización | registro IO-protobuf o CSV | CPU o GPUCommon (dispositivo de GPU único en una o varias instancias) | No | 
| K-Nearest-Neighbors (k-NN) | capacitación y prueba (opcional) | Archivo o canalización | registro IO-protobuf o CSV | CPU o GPU (dispositivo de GPU único en una o varias instancias) | Sí | 
| LDA | capacitación y prueba (opcional) | Archivo o canalización | registro IO-protobuf o CSV | CPU (solo instancia única) | No | 
| LightGBM | train/training y (opcionalmente) validación | Archivos | CSV | CPU | Sí | 
| Aprendiz lineal | capacitación y validación (opcional), prueba o ambos | Archivo o canalización | registro IO-protobuf o CSV | CPU o GPU | Sí | 
| Modelo de temas neuronal | capacitación y validación (opcional), prueba o ambos | Archivo o canalización | registro IO-protobuf o CSV | CPU o GPU | Sí | 
| Object2Vec | capacitación y validación (opcional), prueba o ambos | Archivos | Líneas de JSON  | CPU o GPU (solo instancia única) | No | 
| Detección de objetos - MXNet | capacitación y validación, (opcional) train\_annotation, validation\_annotation y modelo | Archivo o canalización | recordIO o archivos de imagen (.jpg o .png)  | GPU | Sí | 
| Detección de objetos - TensorFlow | entrenamiento y validación | Archivos | archivos de imagen (.jpg, .jpeg o.png)  | GPU | Sí (solo en múltiples GPU en una sola instancia) | 
| PCA | capacitación y prueba (opcional) | Archivo o canalización | registro IO-protobuf o CSV | CPU o GPU | Sí | 
| Bosque de corte aleatorio | capacitación y prueba (opcional) | Archivo o canalización | registro IO-protobuf o CSV | CPU | Sí | 
| Segmentación semántica | capacitación y validación, train\_annotation, validation\_annotation y (opcional) label\_map y modelo | Archivo o canalización | Archivos de imagen | GPU (solo instancia única) | No | 
| Modelo Seq2Seq | capacitación, validación y vocabulario | Archivos | registro IO-protobuf | GPU (solo instancia única) | No | 
| TabTransformer | entrenamiento y validación (opcional) | Archivos | CSV | CPU o GPU (solo instancia única) | No | 
| Clasificación de texto - TensorFlow | entrenamiento y validación | Archivos | CSV | CPU o GPU | Sí (solo en múltiples GPU en una sola instancia) | 
| XGBoost (0.90-1, 0.90-2, 1.0-1, 1.2-1, 1.2-21) | capacitación y validación (opcional) | Archivo o canalización | CSV, LibSVM o Parquet | CPU (o GPU para 1.2-1) | Sí | 

Los algoritmos que son *paralelizables* se pueden implementar en varias instancias de cómputo para capacitación distribuida.

En los siguientes temas se proporciona información sobre los formatos de datos, los tipos de instancias de Amazon EC2 recomendados y los CloudWatch registros comunes a todos los algoritmos integrados que proporciona Amazon SageMaker AI.

**nota**  
Para buscar los URI de las imágenes de Docker de los algoritmos integrados gestionados por SageMaker AI, consulte las [rutas de registro y el código de ejemplo de Docker](https://docs.aws.amazon.com/sagemaker/latest/dg-ecr-paths/sagemaker-algo-docker-registry-paths).

**Topics**
+ [Formatos de datos comunes para la capacitación](cdf-training.md)
+ [Formatos de datos comunes para la inferencia](cdf-inference.md)
+ [Tipos de instancias para Built-in algoritmos](cmn-info-instance-types.md)
+ [Registros de algoritmos Built-in](common-info-all-sagemaker-models-logs.md)