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.
# Uso de recursos de paquetes de modelos y algoritmos
Puede crear algoritmos y paquetes de modelos como recursos en su cuenta de Amazon SageMaker AI y puede encontrar y suscribirse a algoritmos y paquetes de modelos en AWS Marketplace.
Utilice algoritmos para:
+ Ejecutar trabajos de capacitación. Para obtener más información, consulta [Utilice un algoritmo para ejecutar un trabajo de capacitación](sagemaker-mkt-algo-train.md).
+ Ejecutar trabajos de ajuste de hiperparámetros. Para obtener más información, consulta [Utilice un algoritmo para ejecutar un trabajo de ajuste de hiperparámetros](sagemaker-mkt-algo-tune.md).
+ Crear paquete de modelos. Después de utilizar un recurso de algoritmos para ejecutar un trabajo de capacitación o un ajuste de hiperparámetros, utilizar los artefactos de modelos producidos por estos trabajos junto con el algoritmo para crear un paquete de modelos. Para obtener más información, consulta [Cree un recurso de paquete de modelos](sagemaker-mkt-create-model-package.md).
**nota**
Si se suscribe a un algoritmo en AWS Marketplace, debe crear un paquete de modelos antes de poder utilizarlo para obtener inferencias mediante la creación de un punto de conexión alojado o la ejecución de un trabajo de transformación por lotes.
![\[Flujo de trabajo de compradores de mercado.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/mkt-buyer-workflow.png)
Utilice paquetes de modelos para:
+ Crear modelos que pueda utilizar para obtener inferencia en tiempo real o ejecutar trabajo de transformación por lotes. Para obtener más información, consulta [Utilice un paquete de modelos para crear un modelo](sagemaker-mkt-model-pkg-model.md).
+ Crear puntos de enlace alojados para obtener inferencia en tiempo real. Para obtener más información, consulta [Implemente el modelo en los servicios de alojamiento de SageMaker IA](ex1-model-deployment.md#ex1-deploy-model).
+ Cree trabajos de transformación por lotes. Para obtener más información, consulta [(Opcional) Predicciones con la transformación por lotes](ex1-model-deployment.md#ex1-batch-transform).
**Topics**
+ [Utilice un algoritmo para ejecutar un trabajo de capacitación](sagemaker-mkt-algo-train.md)
+ [Utilice un algoritmo para ejecutar un trabajo de ajuste de hiperparámetros](sagemaker-mkt-algo-tune.md)
+ [Utilice un paquete de modelos para crear un modelo](sagemaker-mkt-model-pkg-model.md)
# Utilice un algoritmo para ejecutar un trabajo de capacitación
Puede crear y utilizar un recurso de algoritmo para crear un trabajo de formación mediante la consola Amazon SageMaker AI, la SageMaker API de Amazon de bajo nivel o el [SDK de Amazon SageMaker Python](https://sagemaker.readthedocs.io/en/stable).
**nota**
Su función de ejecución debe tener `sagemaker:DescribeAlgorithm` permiso para el recurso de algoritmo que especifique. Para obtener más información sobre los permisos de las funciones de ejecución, consulte[CreateTrainingJob API: permisos de rol de ejecución](sagemaker-roles.md#sagemaker-roles-createtrainingjob-perms).
**Topics**
+ [Utilice un algoritmo para ejecutar un trabajo de capacitación (consola)](#sagemaker-mkt-algo-train-console)
+ [Utilice un algoritmo para ejecutar un trabajo de capacitación (API)](#sagemaker-mkt-algo-train-api)
+ [Uso de un algoritmo para ejecutar un trabajo de formación ([Amazon SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable))](#sagemaker-mkt-algo-train-sdk)
## Utilice un algoritmo para ejecutar un trabajo de capacitación (consola)
**Para utilizar un algoritmo para ejecutar un trabajo de capacitación (consola)**
1. Abra la consola de SageMaker IA en [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Elija **Algorithms (Algoritmos)**.
1. Elija un algoritmo de los que creado de la lista en la pestaña **My algorithms (Mis algoritmos)** o elija un algoritmo al que se suscribió en la pestaña ** subscriptions (Suscripciones de AWS Marketplace )**.
1. Elija **Crear trabajo de entrenamiento**.
El algoritmo que eligió se seleccionará automáticamente.
1. En la página **Create training job (Crear trabajo de entrenamiento)** proporcione la siguiente información:
1. En **Job name (Nombre del trabajo)**, escriba un nombre para el trabajo de capacitación.
1. Para el **rol de IAM**, elige un rol de IAM que tenga los permisos necesarios para realizar trabajos de formación en SageMaker IA o elige **Crear un nuevo rol** para permitir que SageMaker AI cree un rol que tenga asociada la política `AmazonSageMakerFullAccess` gestionada. Para obtener información, consulte [Cómo utilizar las funciones de ejecución de la SageMaker IA](sagemaker-roles.md).
1. Para **Resource configuration (Configuración de recursos)** proporcione la siguiente:
1. En **Instance type (Tipo de instancia)**, elija el tipo de instancia que va a utilizar para la capacitación.
1. En **Instance count (Recuento de instancias)**, escriba el número de instancias de ML que desea utilizar para el trabajo de capacitación.
1. En **Additional volume per instance (GB) (Volumen adicional por instancia [GB])**, escriba el tamaño del volumen de almacenamiento de ML que desea aprovisionar. Los volúmenes de almacenamiento de ML almacenan artefactos de modelos y estados incrementales.
1. En el caso de la **clave de cifrado**, si desea que Amazon SageMaker AI utilice una AWS clave del Servicio de administración de claves para cifrar los datos del volumen de almacenamiento de aprendizaje automático adjunto a la instancia de formación, especifique la clave.
1. Para **Stopping condition (Condición de detención)**, especifique la cantidad máxima de tiempo en segundos, minutos, horas o días durante el cual desea que se ejecute el trabajo de capacitación.
1. En **VPC**, elija una VPC de Amazon a la que quiera que acceda su contenedor de entrenamiento. Para obtener más información, consulte [Ofrezca a los trabajos de formación en SageMaker IA acceso a los recursos de su Amazon VPC](train-vpc.md).
1. En **Hyperparameters (Hiperparámetros)**, especifique los valores de los hiperparámetros que se van a utilizar para el trabajo de capacitación.
1. Para **Input data configuration (Configuración de datos de entrada)**, especifique los siguientes valores para cada canal de datos de entrada que se va a utilizar para el trabajo de capacitación. Puede ver qué canales admite el algoritmo que está utilizando para la asistencia de entrenamiento y el tipo de contenido, el tipo de compresión admitido y modos de entrada admitidos para cada canal bajo la sección **Channel specification (Especificación de canal)** de la página **Algorithm summary (Resumen del algoritmo)** para el algoritmo.
1. En **Channel name (Nombre del canal)**, escriba el nombre del canal de entrada.
1. En **Content type (Tipo de contenido)**, escriba el tipo de contenido de los datos que el algoritmo espera para el canal.
1. Para **Compression type (Tipo de compresión)**, elija el tipo de compresión de datos que se va a utilizar, si procede.
1. Para **Record wrapper (Contenedor de registros)**, elija `RecordIO` si el algoritmo espera los datos en el formato `RecordIO`.
1. Para **S3 data type (Tipo de datos de S3)**, **S3 data distribution type (Tipo de distribución de datos de S3)** y **S3 location (Ubicación de S3)**, especifique los valores adecuados. Para obtener más información acerca del significado de estos valores, consulte [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_S3DataSource.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_S3DataSource.html).
1. En **Input mode (Modo de entrada)**, seleccione **File (Archivo)** para descargar los datos desde el volumen de almacenamiento de machine learning provisionado y montar el directorio en un volumen de Docker. Elija **Pipe (Canalización)** para transmitir los datos directamente desde Amazon S3 al contenedor.
1. Para añadir otro canal de entrada, elija **Add canal (Añadir canal)**. Si ha terminado de añadir canales de entrada, elija **Done (Listo)**.
1. En **Output location (Ubicación de salida)**, especifique los siguientes valores:
1. Para **S3 output path (Ruta de salida de S3)**, elija la ubicación de S3 donde el trabajo de capacitación almacena la salida, como por ejemplo, artefactos de modelo.
**nota**
Usted utiliza los artefactos de modelos almacenados en esta ubicación para crear un modelo o paquete de modelos de este trabajo de capacitación.
1. En el caso de la **clave de cifrado**, si desea que SageMaker AI utilice una AWS KMS clave para cifrar los datos de salida en reposo en la ubicación S3.
1. En **Tags (Etiquetas)**, especifique una o varias etiquetas para administrar el trabajo de capacitación. Cada etiqueta consta de una clave y un valor opcional. Las claves de las etiquetas deben ser únicas para cada recurso.
1. Seleccione **Create training job (Crear trabajo de capacitación)** para ejecutar el trabajo de capacitación.
## Utilice un algoritmo para ejecutar un trabajo de capacitación (API)
Para usar un algoritmo para ejecutar un trabajo de entrenamiento mediante la SageMaker API, especifique el nombre o el Amazon Resource Name (ARN) como `AlgorithmName` campo del [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AlgorithmSpecification.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AlgorithmSpecification.html)objeto al que se pasa. [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html) Para obtener información sobre los modelos de entrenamiento en SageMaker IA, consulte[Entrena a un modelo con Amazon SageMaker](how-it-works-training.md).
## Uso de un algoritmo para ejecutar un trabajo de formación ([Amazon SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable))
Utilice un algoritmo que haya creado o al que se haya suscrito AWS Marketplace para crear un trabajo de entrenamiento, crear un `AlgorithmEstimator` objeto y especificar el nombre del recurso de Amazon (ARN) o el nombre del algoritmo como valor del `algorithm_arn` argumento. A continuación, llame al método `fit` del estimador. Por ejemplo:
```
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})
```
# Utilice un algoritmo para ejecutar un trabajo de ajuste de hiperparámetros
En la siguiente sección se explica cómo utilizar un recurso de algoritmo para ejecutar un trabajo de ajuste de hiperparámetros en Amazon SageMaker AI. Un trabajo de ajuste de hiperparámetros encuentra la mejor versión de un modelo ejecutando muchos trabajos de capacitación en su conjunto de datos utilizando el algoritmos y los rangos de hiperparámetros que usted especifique. A continuación, elige los valores de hiperparámetros que dan lugar a un modelo con el mejor rendimiento medido por una métrica de su elección. Para obtener más información, consulte [Ajuste automático de modelos con IA SageMaker](automatic-model-tuning.md).
Puede utilizar un recurso de algoritmo para crear un trabajo de ajuste de hiperparámetros mediante la consola Amazon SageMaker AI, la SageMaker API de Amazon de bajo nivel o el SDK de Amazon [ SageMaker Python](https://sagemaker.readthedocs.io/en/stable).
**Topics**
+ [Utilice un algoritmo para ejecutar un trabajo de ajuste de hiperparámetros (consola)](#sagemaker-mkt-algo-tune-console)
+ [Utilice un algoritmo para ejecutar un trabajo de ajuste de hiperparámetros (API)](#sagemaker-mkt-algo-tune-api)
+ [Uso de un algoritmo para ejecutar un trabajo de ajuste de hiperparámetros ([Amazon SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable))](#sagemaker-mkt-algo-tune-sdk)
## Utilice un algoritmo para ejecutar un trabajo de ajuste de hiperparámetros (consola)
**Para utilizar un algoritmo para ejecutar un trabajo de ajuste de hiperparámetros (consola)**
1. Abra la consola de SageMaker IA en. [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)
1. Elija **Algorithms (Algoritmos)**.
1. Elija un algoritmo de los que creado de la lista en la pestaña **My algorithms (Mis algoritmos)** o elija un algoritmo al que se suscribió en la pestaña ** subscriptions (Suscripciones de AWS Marketplace )**.
1. Elija **Create hyperparameter tuning job (Crear trabajo de ajuste de hiperparámetros)**
El algoritmo que eligió se seleccionará automáticamente.
1. En la página **Create hyperparameter tuning job (Crear trabajo de ajuste de hiperparámetros)** proporcione la siguiente información:
1. En **Warm start (Inicio en caliente)**, elija **Enable warm start (Habilitar inicio en caliente)** para utilizar la información de trabajos de ajuste de hiperparámetros anteriores como punto de partida para este trabajo de ajuste de hiperparámetros. Para obtener más información, consulte [Ejecución de un trabajo de ajuste de hiperparámetros de inicio en caliente](automatic-model-tuning-warm-start.md).
1. Elija **Identical data and algorithm (Datos idénticos y algoritmo)** si los datos de entrada se corresponden con los datos de entrada de los trabajos principales de este trabajo de ajuste de hiperparámetros o elija **Transfer learning (Transferir aprendizaje)** para utilizar datos de entrada adicional o diferente para este trabajo de ajuste de hiperparámetros.
1. Para **Parent hyperparameter tuning job(s) (Trabajo(s) principal(es) de ajuste de hiperparámetros)**, elija hasta 5 trabajos de ajuste de hiperparámetros para utilizarlos como principales de este trabajo de ajuste de hiperparámetros.
1. En **Hyperparameter tuning job name (Nombre del trabajo de ajuste de hiperparámetros)**, escriba un nombre para el trabajo de ajuste.
1. En el **caso de la función** de IAM, elija una función de IAM que tenga los permisos necesarios para ejecutar tareas de ajuste de hiperparámetros en la SageMaker IA, o bien elija **Crear una nueva función** para permitir que la SageMaker IA cree una función que incluya la política `AmazonSageMakerFullAccess` gestionada. Para obtener información, consulte [Cómo utilizar las funciones de ejecución de la SageMaker IA](sagemaker-roles.md).
1. En **VPC**, elija una VPC de Amazon a la que quiera que accedan los trabajos de entrenamiento iniciados por el trabajo de ajuste. Para obtener más información, consulte [Ofrezca a los trabajos de formación en SageMaker IA acceso a los recursos de su Amazon VPC](train-vpc.md).
1. Elija **Siguiente**.
1. Para **Objective metric (Métrica objetiva)**, elija la métrica que el trabajo ajuste de hiperparámetros utiliza para determinar la mejor combinación de hiperparámetros y, a continuación, elija si desea minimizar o maximizar esta métrica. Para obtener más información, consulte [Visualización del mejor trabajo de entrenamiento](automatic-model-tuning-ex-tuning-job.md#automatic-model-tuning-best-training-job).
1. Para **Hyperparameter configuration (Configuración de hiperparámetros)**, elija rangos para los hiperparámetros ajustables que quiere que el trabajo de ajuste busque y establezca valores estáticos para los hiperparámetros que quiere que permanezcan constantes en todos los trabajos de capacitación lanzados por el trabajo de ajuste de hiperparámetros. Para obtener más información, consulte [Definición de intervalos de hiperparámetros](automatic-model-tuning-define-ranges.md).
1. Elija **Siguiente**.
1. Para **Input data configuration (Configuración de datos de entrada)**, especifique los siguientes valores para cada canal de datos de entrada que se va a utilizar para el trabajo de ajuste de hiperparámetros. Puede ver qué canales admite el algoritmo que está utilizando para el ajuste de hiperparámetros y el tipo de contenido, el tipo de compresión admitido y modos de entrada admitidos para cada canal bajo la sección **Channel specification (Especificación de canal)** de la página **Algorithm summary (Resumen del algoritmo)** para el algoritmo.
1. En **Channel name (Nombre del canal)**, escriba el nombre del canal de entrada.
1. En **Content type (Tipo de contenido)**, escriba el tipo de contenido de los datos que el algoritmo espera para el canal.
1. Para **Compression type (Tipo de compresión)**, elija el tipo de compresión de datos que se va a utilizar, si procede.
1. Para **Record wrapper (Contenedor de registros)**, elija `RecordIO` si el algoritmo espera los datos en el formato `RecordIO`.
1. Para **S3 data type (Tipo de datos de S3)**, **S3 data distribution type (Tipo de distribución de datos de S3)** y **S3 location (Ubicación de S3)**, especifique los valores adecuados. Para obtener más información acerca del significado de estos valores, consulte [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_S3DataSource.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_S3DataSource.html).
1. En **Input mode (Modo de entrada)**, seleccione **File (Archivo)** para descargar los datos desde el volumen de almacenamiento de machine learning provisionado y montar el directorio en un volumen de Docker. Elija **Pipe (Canalización)** para transmitir los datos directamente desde Amazon S3 al contenedor.
1. Para añadir otro canal de entrada, elija **Add canal (Añadir canal)**. Si ha terminado de añadir canales de entrada, elija **Done (Listo)**.
1. En **Output location (Ubicación de salida)**, especifique los siguientes valores:
1. Para **S3 output path (Ruta de salida de S3)**, elija la ubicación de S3 donde los trabajos de capacitación que este trabajo de ajuste de hiperparámetros almacenan la salida, como los artefactos de modelos.
**nota**
Usted utiliza los artefactos de modelos almacenados en esta ubicación para crear un modelo o paquete de modelos de este trabajo de ajuste de hiperparámetros.
1. En el caso de la **clave de cifrado**, si desea que la SageMaker IA utilice una AWS KMS clave para cifrar los datos de salida en reposo en la ubicación S3.
1. Para **Resource configuration (Configuración de recursos)** proporcione la siguiente:
1. En **Instance type (Tipo de instancia)**, elija el tipo de instancia que desea utilizar para cada trabajo de capacitación lanzado por el trabajo de ajuste de hiperparámetros.
1. En **Instance count (Recuento de instancias)**, escriba el número de instancias de machine learning que desea utilizar para cada trabajo de entrenamiento lanzado por el trabajo de ajuste de hiperparámetros.
1. En **Additional volume per instance (GB) (Volumen adicional por instancia (GB))**, escriba el tamaño del volumen de almacenamiento de machine learning que desea aprovisionar para cada trabajo de entrenamiento que el trabajo de ajuste de hiperparámetros lance. Los volúmenes de almacenamiento de ML almacenan artefactos de modelos y estados incrementales.
1. En el caso de la **clave de cifrado**, si desea que Amazon SageMaker AI utilice una AWS clave del Servicio de administración de claves para cifrar los datos del volumen de almacenamiento de aprendizaje automático adjunto a las instancias de formación, especifique la clave.
1. Para **Resource limits (Límites de recursos)** proporcione lo siguiente:
1. En **Maximum training jobs (Máximo de trabajos de capacitación)**, especifique el número máximo de trabajos de capacitación que desea que el trabajo de ajuste de hiperparámetros lance. Un trabajo de ajuste de hiperparámetros puede lanzar un máximo de 500 trabajos de capacitación.
1. En **Maximum parallel training jobs (Máximo de trabajos de capacitación paralelos)**, especifique el número máximo de trabajos de capacitación simultáneos que el trabajo de ajuste de hiperparámetros puede lanzar. Un trabajo de ajuste de hiperparámetros puede lanzar un máximo de 10 trabajos de capacitación simultáneos.
1. En **Stopping condition (Condición de detención)**, especifique la cantidad máxima de tiempo en segundos, minutos, horas o días durante el cual desea que se ejecute cada trabajo de capacitación lanzado por el trabajo de ajuste de hiperparámetros.
1. En **Tags (Etiquetas)**, especifique una o varias etiquetas para administrar el trabajo de ajuste de hiperparámetros. Cada etiqueta consta de una clave y un valor opcional. Las claves de las etiquetas deben ser únicas para cada recurso.
1. Elija **Create jobs (Crear trabajos)** para ejecutar el trabajo de ajuste de hiperparámetros.
## Utilice un algoritmo para ejecutar un trabajo de ajuste de hiperparámetros (API)
Para usar un algoritmo para ejecutar un trabajo de ajuste de hiperparámetros mediante la SageMaker API, especifique el nombre o el nombre de recurso de Amazon (ARN) del algoritmo como campo `AlgorithmName` del objeto [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AlgorithmSpecification.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AlgorithmSpecification.html)al que se pasa. [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateHyperParameterTuningJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateHyperParameterTuningJob.html) Para obtener información sobre el ajuste de hiperparámetros en la SageMaker IA, consulte. [Ajuste automático de modelos con IA SageMaker](automatic-model-tuning.md)
## Uso de un algoritmo para ejecutar un trabajo de ajuste de hiperparámetros ([Amazon SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable))
Utilice un algoritmo que haya creado o al que se haya suscrito AWS Marketplace para crear un trabajo de ajuste de hiperparámetros, cree un `AlgorithmEstimator` objeto y especifique el nombre del recurso de Amazon (ARN) o el nombre del algoritmo como valor del argumento. `algorithm_arn` A continuación, inicialice un objeto `HyperparameterTuner` con el `AlgorithmEstimator` que ha creado como el valor del argumento `estimator`. Por último, llame al método `fit` de `AlgorithmEstimator`. Por ejemplo:
```
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()
```
# Utilice un paquete de modelos para crear un modelo
Utilice un paquete de modelos para crear un modelo que pueda implementarse que pueda utilizar para obtener inferencias en tiempo real mediante la creación de un punto de conexión alojado o para ejecutar trabajos de transformación por lotes. Puede crear un modelo desplegable a partir de un paquete de modelos mediante la consola Amazon SageMaker AI, la SageMaker API de bajo nivel o el SDK de Amazon [ SageMaker Python](https://sagemaker.readthedocs.io/en/stable).
**Topics**
+ [Utilizar un paquete de modelos para crear un modelo (consola)](#sagemaker-mkt-model-pkg-model-console)
+ [Utilice un paquete de modelos para crear un modelo (API)](#sagemaker-mkt-model-pkg-model-api)
+ [Uso de un paquete de modelos para crear un modelo ([Amazon SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable))](#sagemaker-mkt-model-pkg-model-sdk)
## Utilizar un paquete de modelos para crear un modelo (consola)
**Para crear un modelo que pueda implementarse a partir de un paquete de modelos (consola)**
1. Abra la consola de SageMaker IA en. [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)
1. Elija **Model packages (Paquetes de modelos)**
1. Elija un paquete de modelos de los que creó de la lista en la pestaña **My model packages (Mis paquetes de modelos)** o elija un paquete de modelos al que se suscribió en la pestaña **AWS Marketplace subscriptions (Suscripciones de )**.
1. Seleccione **Crear modelo**.
1. En **Model name (Nombre de modelo)**, escriba un nombre único para el modelo.
1. Para el **rol de IAM**, elige un rol de IAM que tenga los permisos necesarios para llamar a otros servicios en tu nombre o elige **Crear un nuevo rol** para permitir que SageMaker AI cree un rol que tenga asociada la política `AmazonSageMakerFullAccess` gestionada. Para obtener información, consulte [Cómo utilizar las funciones de ejecución de la SageMaker IA](sagemaker-roles.md).
1. Para **VPC**, elija una VPC de Amazon a la que quiera que acceda su modelo. Para obtener más información, consulte [Ofrezca a los puntos de conexión alojados en SageMaker IA acceso a los recursos de su Amazon VPC](host-vpc.md).
1. Deje los valores predeterminados para **Container input options (Opciones de entrada del contenedor)** y **Choose model package (Elegir paquete de modelos)**.
1. Para las variables de entorno, proporcione los nombres y los valores de variables de entorno que desea transferir al contenedor de modelos.
1. En **Tags (Etiquetas)**, especifique una o varias etiquetas para administrar el modelo. Cada etiqueta consta de una clave y un valor opcional. Las claves de las etiquetas deben ser únicas para cada recurso.
1. Seleccione **Crear modelo**.
Después de crear un modelo que pueden implementarse, puede utilizarlo para configurar un punto de conexión para inferencia en tiempo real o crear un trabajo de transformación por lotes para obtener inferencias en conjuntos de datos completos. Para obtener información sobre el alojamiento de puntos finales en la SageMaker IA, consulte [Implementación de modelos para inferencias](https://docs.aws.amazon.com/sagemaker/latest/dg/deploy-model.html).
## Utilice un paquete de modelos para crear un modelo (API)
Para usar un paquete de modelos para crear un modelo desplegable mediante la SageMaker API, especifique el nombre o el nombre de recurso de Amazon (ARN) del paquete de modelos como campo `ModelPackageName` del objeto que se pasa a [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_ContainerDefinition.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_ContainerDefinition.html)la API.
Después de crear un modelo que pueden implementarse, puede utilizarlo para configurar un punto de conexión para inferencia en tiempo real o crear un trabajo de transformación por lotes para obtener inferencias en conjuntos de datos completos. Para obtener información sobre los puntos de enlace alojados en la SageMaker IA, consulte [Implementación de modelos para inferencias](https://docs.aws.amazon.com/sagemaker/latest/dg/deploy-model.html).
## Uso de un paquete de modelos para crear un modelo ([Amazon SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable))
Para usar un paquete de modelos para crear un modelo desplegable mediante el SDK de Python para SageMaker IA, inicialice un `ModelPackage` objeto y pase el nombre de recurso de Amazon (ARN) del paquete del modelo como argumento. `model_package_arn` Por ejemplo:
```
from sagemaker import ModelPackage
model = ModelPackage(role='SageMakerRole',
model_package_arn='training-job-scikit-decision-trees-1542660466-6f92',
sagemaker_session=sagemaker_session)
```
Después de crear un modelo que pueden implementarse, puede utilizarlo para configurar un punto de conexión para inferencia en tiempo real o crear un trabajo de transformación por lotes para obtener inferencias en conjuntos de datos completos. Para obtener información sobre el alojamiento de puntos de enlace en la SageMaker IA, consulte [Implementación](https://docs.aws.amazon.com/sagemaker/latest/dg/deploy-model.html) de modelos para inferencias.