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. # Personaliza algoritmos y modelos con AWS Marketplace En las siguientes secciones se muestra cómo crear recursos de paquetes de algoritmos y modelos que puede usar localmente y publicar en AWS Marketplace. **Topics** + [Creación de recursos de paquetes de modelos y algoritmos](sagemaker-mkt-create.md) + [Uso de recursos de paquetes de modelos y algoritmos](sagemaker-mkt-buy.md) # Creación de recursos de paquetes de modelos y algoritmos Una vez que el código de and/or inferencia de entrenamiento esté empaquetado en los contenedores de Docker, cree recursos de paquetes de algoritmos y modelos que pueda usar en su cuenta de Amazon SageMaker AI y, si lo desea, publique en él. AWS Marketplace **Topics** + [Cree un recurso de algoritmos](sagemaker-mkt-create-algo.md) + [Cree un recurso de paquete de modelos](sagemaker-mkt-create-model-package.md) # Cree un recurso de algoritmos Puede crear un recurso de algoritmo para usarlo con trabajos de formación en Amazon SageMaker AI y publicarlo en él AWS Marketplace. En las siguientes secciones se explica cómo hacerlo mediante la API Consola de administración de AWS y la SageMaker API. Para crear un recurso de algoritmo, debe especificar la siguiente información: + Los contenedores de Docker que contienen la capacitación y, opcionalmente, código de inferencia. + La configuración de los datos de entrada que su algoritmo espera para la capacitación. + Los hiperparámetros admitidos por su algoritmo. + Métricas que tu algoritmo envía a Amazon CloudWatch durante los trabajos de formación. + Los tipos de instancias que admite su algoritmo para la capacitación y la inferencia y si es compatible con la capacitación distribuida en varias instancias. + Los perfiles de validación, que son trabajos de formación que la SageMaker IA utiliza para probar el código de entrenamiento del algoritmo, y los trabajos de transformación por lotes que la SageMaker IA ejecuta para probar el código de inferencia del algoritmo. Para asegurarnos de que los compradores y vendedores estén seguros de que los productos funcionan con SageMaker IA, te pedimos que valides tus algoritmos antes de publicarlos. AWS Marketplace AWS Marketplace Solo puedes publicar productos en Internet si la validación se realiza correctamente. Para validar tus algoritmos, la SageMaker IA utiliza tu perfil de validación y los datos de muestra para ejecutar las siguientes tareas de validación: 1. Crea un trabajo de entrenamiento en tu cuenta para comprobar que tu imagen de entrenamiento funciona con SageMaker la IA. 1. Si incluyó código de inferencia en su algoritmo, cree un modelo en su cuenta con la imagen de la inferencia del algoritmo y los artefactos del modelo producidos por el trabajo de capacitación. 1. Si has incluido un código de inferencia en tu algoritmo, crea un trabajo de transformación en tu cuenta utilizando el modelo para comprobar que la imagen de inferencia funciona con SageMaker la IA. Cuando publicas tu producto AWS Marketplace, las entradas y salidas de este proceso de validación permanecen como parte de tu producto y se ponen a disposición de tus compradores. Esto ayuda a los compradores a comprender y evaluar el producto antes de comprarlo. Por ejemplo, los compradores pueden inspeccionar los datos de entrada que utilizó, las salidas generadas y los registros y las métricas emitidas por el código. Cuanto más amplia sea la especificación de validación, más fácil será para los clientes evaluar su producto. **nota** En su perfil de validación, proporcione solo los datos que desea exponer públicamente. La validación puede tardar varias horas. Para ver el estado de los trabajos de tu cuenta, en la consola de SageMaker IA, consulta las páginas **Trabajos de formación** y **Trabajos de transformación**. Si la validación falla, puedes acceder a los informes de escaneo y validación desde la consola de SageMaker IA. Si se encuentra algún problema, tendrá que volver a crear el algoritmo. **nota** Para publicar el algoritmo AWS Marketplace, se necesita al menos un perfil de validación. Puede crear un algoritmo mediante la consola de SageMaker IA o la API de SageMaker IA. **Topics** + [Crear un recurso de algoritmos (consola)](#sagemaker-mkt-create-algo-console) + [Cree un recurso de algoritmos (API)](#sagemaker-mkt-create-algo-api) ## Crear un recurso de algoritmos (consola) **Para crear recurso de algoritmos (consola)** 1. Abre la consola de SageMaker IA en [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/). 1. En el menú de la izquierda, seleccione **Training (Entrenamiento)**. 1. En el menú desplegable, seleccione **Algorithms (Algoritmos)** y, a continuación, seleccione **Create algorithm (Crear algoritmo)**. 1. En la página **Training specifications (Especificaciones de entrenamiento)** proporcione la siguiente información: 1. En **Algorithm name (Nombre de algoritmo)**, escriba un nombre para su algoritmo. El nombre del algoritmo debe ser único en tu cuenta y en la AWS región. El nombre tiene que tener entre 1 y 64 caracteres. Los caracteres válidos son a-z, A-Z, 0-9 y - (guion). 1. Escriba una descripción del algoritmo. Esta descripción aparece en la consola de SageMaker IA y en AWS Marketplace. 1. En **Training imange (Imagen de entrenamiento)**, escriba la ruta en Amazon ECR donde está almacenado el contenedor de entrenamiento. 1. En **Support distributed training (Compatible con capacitación distribuida)**, elija **Yes (Sí)** si su algoritmo admite la capacitación en varias instancias. En caso contrario, elija **No**. 1. Para **Support instance types for training (Compatible con tipos de instancias para capacitación)**, elija los tipos de instancias compatibles con su algoritmo. 1. Para **Channel specification (Especificación de canal)**, especifique hasta 8 canales de datos de entrada para su algoritmo. Por ejemplo, puede especificar 3 canales de entrada denominados `train`, `validation` y `test`. Especifique la siguiente información para cada canal: 1. En **Channel name (Nombre del canal)**, escriba un nombre para el canal. El nombre tiene que tener entre 1 y 64 caracteres. Los caracteres válidos son a-z, A-Z, 0-9 y - (guion). 1. Para exigir el canal para su algoritmo, elija **Channel required (El canal es obligatorio)**. 1. Escriba una descripción para el canal. 1. Para **Supported input modes (Modos de entrada compatibles)**, elija **Pipe mode (Modo de canalización)** si el algoritmo es compatible con el streaming de datos de entrada y **File mode (Modo de archivo)** si su algoritmo permite descargar los datos de entrada como un archivo. Puede elegir ambos. 1. Para **Supported content types (Tipos de contenido compatibles)**, escriba el tipo MIME que su algoritmo espera para datos de entrada. 1. Para **Supported compression type (Tipo de compresión compatible)**, elija **Gzip** si su algoritmo admite compresión Gzip. En caso contrario, elija **None (Ninguno)**. 1. Seleccione **Add channel (Añadir canal)** para añadir otro canal de entrada de datos o seleccione **Next (Siguiente)** si ha terminado de añadir canales. 1. En la página **Tuning specifications (Especificaciones de ajuste)** proporcione la siguiente información: 1. Para **Hyperparameter specification (Especificación de hiperparámetros)**, especifique los hiperparámetros compatibles con su algoritmo editando el objeto JSON. Para cada hiperparámetro compatible con su algoritmo, construya un bloque JSON similar al siguiente: ``` { "DefaultValue": "5", "Description": "The first hyperparameter", "IsRequired": true, "IsTunable": false, "Name": "intRange", "Range": { "IntegerParameterRangeSpecification": { "MaxValue": "10", "MinValue": "1" }, "Type": "Integer" } ``` En el archivo JSON; escriba lo siguiente: 1. En `DefaultValue`, especifique un valor predeterminado para el hiperparámetro, si existe. 1. En `Description`, especifique una descripción para el hiperparámetro. 1. En `IsRequired`, especifique si el hiperparámetro es obligatorio. 1. En `IsTunable`, especifique `true` si este hiperparámetro se puede ajustar cuando un usuario ejecuta un trabajo de ajuste de hiperparámetros que usa este algoritmo. Para obtener información, consulte [Ajuste automático de modelos con IA SageMaker](automatic-model-tuning.md). 1. En `Name`, especifique un nombre para el hiperparámetro. 1. Para `Range`, especifique uno de los siguientes valores: + `IntegerParameterRangeSpecification`: valores de los hiperparámetros son números enteros. Especifique los valores mínimo y máximo para el hiperparámetro. + + `ContinuousParameterRangeSpecification`: los valores de los hiperparámetros son valores de punto flotante. Especifique los valores mínimo y máximo para el hiperparámetro. + `CategoricalParameterRangeSpecification`: los valores de los hiperparámetros son valores categóricos. Especifique una lista de todos los valores posibles. 1. En `Type`, especifique `Integer`, `Continuous` o `Categorical`. El valor debe coincidir con el tipo de `Range` que ha especificado. 1. Para **las definiciones de métricas, especifica cualquier métrica** de entrenamiento que desees que emita tu algoritmo. SageMaker La IA utiliza la expresión regular que especifiques para buscar las métricas analizando los registros de tu contenedor de entrenamiento durante el entrenamiento. Los usuarios pueden ver estas métricas cuando realizan trabajos de formación con tu algoritmo, y pueden monitorizar y trazar las métricas en Amazon CloudWatch. Para obtener información, consulte [Amazon CloudWatch Metrics para supervisar y analizar los trabajos de formación](training-metrics.md). Proporcione la siguiente información para cada métrica: 1. En **Metric name (Nombre de la métrica)**, escriba un nombre para la métrica. 1. Para ello`Regex`, escribe la expresión regular que utiliza la SageMaker IA para analizar los registros de entrenamiento de forma que pueda encontrar el valor de la métrica. 1. Para **Objective metric support (Soporte de métricas objetivas)** elija **Yes (Sí)** si esta métrica se puede utilizar como la métrica objetiva para un trabajo de ajuste de hiperparámetros. Para obtener información, consulte [Ajuste automático de modelos con IA SageMaker](automatic-model-tuning.md). 1. Seleccione **Add metric (Añadir métrica)** para añadir otra métrica o seleccione **Next (Siguiente)** si ha terminado de añadir métricas. 1. En la página **Inference specifications (Especificaciones de inferencia)**, proporcione la siguiente información si su algoritmo es compatible con la inferencia: 1. En **Location of inference image (Ubicación de la imagen de inferencia)**, escriba la ruta en Amazon ECR donde está almacenado el contenedor de inferencias. 1. En **Container DNS host name (Nombre de host de DNS del contenedor)**, escriba el nombre de un host de DNS para la imagen. 1. En **Tipos de instancias compatibles para la inferencia en tiempo real**, elige los tipos de instancia que admite tu algoritmo para los modelos implementados como puntos de enlace alojados en SageMaker AI. Para obtener información, consulte [Implementar modelos para inferencia](deploy-model.md). 1. Para **Supported instance types for batch transform jobs (Tipos de instancia admitidos para trabajos de transformación por lotes)**, seleccione los tipos de instancias que su algoritmo admite para trabajos de transformación por lotes. Para obtener información, consulte [Transformación por lotes para inferencias con Amazon AI SageMaker](batch-transform.md). 1. Para **Supported content types (Tipos de contenido compatibles)**, escriba el tipo de datos de entrada que su algoritmo espera para solicitudes de inferencia. 1. Para **Supported response MIME types (Tipos MIME de respuestas admitidos)**, escriba los tipos de algoritmo que su algoritmo admite para respuestas de inferencia. 1. Elija **Siguiente**. 1. En la página **Validation specifications (Especificaciones de validación)** proporcione la siguiente información: 1. **En Publicar este algoritmo en AWS Marketplace**, selecciona **Sí** para publicar el algoritmo. AWS Marketplace 1. **En Validar este recurso**, selecciona **Sí** si quieres que la SageMaker IA ejecute el código de and/or batch transform jobs that you specify to test the training and/or inferencia de tu algoritmo para tareas de entrenamiento. **nota** Para publicar el algoritmo AWS Marketplace, éste debe estar validado. 1. Para la **función de IAM**, elige una función de IAM que tenga los permisos necesarios para realizar tareas de formación y transformar por lotes las tareas de SageMaker IA, o bien elige **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. Para **Validation profile (Perfil de validación)**, especifique lo siguiente: + Un nombre para el perfil de validación. + Una **definición de trabajo de capacitación**. Se trata de un bloque JSON que describe un trabajo de capacitación. Se trata del mismo formato que el parámetro de entrada [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_TrainingJobDefinition.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_TrainingJobDefinition.html) de la API [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAlgorithm.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAlgorithm.html). + Una **definición de trabajo de transformación**. Se trata de un bloque JSON que describe un trabajo de transformación por lotes. Se trata del mismo formato que el parámetro de entrada [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_TransformJobDefinition.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_TransformJobDefinition.html) de la API [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAlgorithm.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAlgorithm.html). 1. Elija **Create algorithm (Crear algoritmo)**. ## Cree un recurso de algoritmos (API) Para crear un recurso de algoritmo mediante la SageMaker API, llama a la [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAlgorithm.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAlgorithm.html)API. # Cree un recurso de paquete de modelos Para crear un recurso de paquete de modelos que pueda usar para crear modelos desplegables en Amazon SageMaker AI y publicarlos en, AWS Marketplace especifique la siguiente información: + El contenedor de Docker que contiene el código de inferencia o el recurso de algoritmo que se utilizó para la capacitación del modelo. + La ubicación de los artefactos del modelo. Los artefactos de modelos pueden empaquetarse en el mismo contenedor de Docker como el código de inferencia o almacenarse en Amazon S3. + Los tipos de instancias que su paquete de modelos admite tanto para la inferencia en tiempo real como para trabajos de transformación por lotes. + Los perfiles de validación, que son trabajos de transformación por lotes que la SageMaker IA ejecuta para probar el código de inferencia del paquete de modelos. Antes de incluir los paquetes de modelos AWS Marketplace, debes validarlos. Esto garantiza que los compradores y vendedores puedan estar seguros de que los productos funcionan con Amazon SageMaker AI. AWS Marketplace Solo puedes publicar productos si la validación se realiza correctamente. El procedimiento de validación utiliza su perfil de validación y datos de muestra para ejecutar las siguientes tareas de validación: 1. Crear un modelo en su cuenta con la imagen de inferencia del paquete del modelo y los artefactos del modelo opcional almacenados en Amazon S3. **nota** Un paquete de modelos es específico de la región en la que se crea. El bucket de S3 donde se almacenan los artefactos del modelo debe estar en la misma región en la que creó el paquete de modelos. 1. Cree un trabajo de transformación en su cuenta utilizando el modelo para comprobar que la imagen de inferencia funciona con SageMaker la IA. 1. Crear un perfil de validación. **nota** En su perfil de validación, proporcione solo los datos que desea exponer públicamente. La validación puede tardar varias horas. Para ver el estado de los trabajos de su cuenta, en la consola de SageMaker IA, consulte las páginas de **trabajos de Transform**. Si se produce un error en la validación, puedes acceder a los informes de digitalización y validación desde la consola de SageMaker IA. Después de corregir los problemas, vuelva a crear el algoritmo. Cuando el algoritmo esté en estado`COMPLETED`, búsquelo en la consola de SageMaker IA e inicie el proceso de listado **nota** Para publicar su paquete de modelos AWS Marketplace, se requiere al menos un perfil de validación. Puede crear un paquete de modelos mediante la consola de SageMaker IA o mediante la SageMaker API. **Topics** + [Cree un recurso de paquete de modelos (consola)](#sagemaker-mkt-create-model-pkg-console) + [Cree un recurso de paquete de modelos (API)](#sagemaker-mkt-create-model-pkg-api) ## Cree un recurso de paquete de modelos (consola) **Para crear un paquete de modelos en la consola de SageMaker IA:** 1. Abre la consola de SageMaker IA en [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/). 1. En el menú de la izquierda, seleccione **Inference (Inferencia)**. 1. Elija **Marketplace model packages (Paquetes de modelos de mercado)**, a continuación, seleccione **Create marketplace model package (Creat paquete de modelo de mercado)**. 1. En la página **Inference specifications (Especificaciones de inferencia)** proporcione la siguiente información: 1. En **Model package name (Nombre del paquete de modelos)**, escriba un nombre para el paquete. El nombre del paquete modelo debe ser único en su cuenta y en la AWS región. El nombre tiene que tener entre 1 y 64 caracteres. Los caracteres válidos son a-z, A-Z, 0-9 y - (guion). 1. Escriba una descripción del paquete de modelos. Esta descripción aparece en la consola de SageMaker IA y en AWS Marketplace. 1. Para **Inference specification options (Opciones de especificación de inferencia)**, elija **Provide the location of the inference image and model artifact (Proporcionar la ubicación de la imagen de inferencia y de los artefactos del modelo)** para crear un paquete de modelos con un contenedor de inferencia y artefactos del modelo. Elija **Provide the algorithm used for training and its model artifacts (Proporcione el algoritmo utilizado para la capacitación y sus artefactos del modelo)** para crear un paquete de modelos a partir de un recurso de algoritmo que ha creado o al que se ha suscrito desde AWS Marketplace. 1. Si ha elegido **Provide the location of the inference image and model artifacts (Proporcione la ubicación de la imagen de inferencia y los artefactos del modelo)** para **Inference specification options (Opciones de especificaciones de inferencia)**, proporcione la siguiente información para **Container definition (Definición de contenedor)** y **Supported resources (Recursos compatibles)**: 1. Para **Location of inference image (Ubicación de imagen de inferencia)**, escriba la ruta de la imagen que contiene el código de inferencia. La imagen se debe almacenar como un contenedor de Docker en Amazon ECR. 1. Para **Location of model data artifacts (Ubicación de artefactos de datos de modelo)**, escriba la ubicación en S3 donde se almacenan los artefactos de su modelo. 1. En **Container DNS host name (Nombre de host de DNS del contenedor)**, escriba el nombre de un host de DNS para su contenedor. 1. En **Tipos de instancias compatibles para la inferencia en tiempo real**, elija los tipos de instancia que su paquete de modelos admite para la inferencia en tiempo real desde puntos de enlace alojados en SageMaker IA. 1. Para **Supported instance types for batch transform jobs (Tipos de instancia admitidos para trabajos de transformación por lotes)**, seleccione los tipos de instancias que su paquete de modelos admite para trabajos de transformación por lotes. 1. Para **Supported content types (Tipos de contenido compatibles)**, escriba el tipo de contenido que su paquete de modelos espera para solicitudes de inferencia. 1. Para **Supported response MIME types (Tipos MIME de respuestas admitidos)**, escriba los tipos MIME que su paquete de modelos utiliza para proporcionar inferencias. 1. Si ha elegido **Provide the algorithm used for training and its model artifacts (Proporcione el algoritmo utilizado para la capacitación y sus artefactos del modelo)** para **Inference specification options (Opciones de especificaciones de inferencia)**, proporcione la siguiente información: 1. Para **Algorithm ARN (ARN de algoritmo)**, escriba el Nombre de recurso de Amazon (ARN) del recurso del algoritmo que debe usar para crear el paquete del modelo. 1. Para **Location of model data artifacts (Ubicación de artefactos de datos de modelo)**, escriba la ubicación en S3 donde se almacenan los artefactos de su modelo. 1. Elija **Siguiente**. 1. En la página **Validation and scanning (Validación y escaneado)** proporcione la siguiente información: 1. **En Publicar este paquete de modelos en AWS Marketplace**, selecciona **Sí** para publicar el paquete de modelos en. AWS Marketplace 1. **En Validar este recurso**, elija **Sí** si desea que SageMaker AI ejecute los trabajos de transformación por lotes que especifique para probar el código de inferencia de su paquete de modelos. **nota** Para publicar el paquete de modelos en él AWS Marketplace, el paquete de modelos debe estar validado. 1. Para el **rol de IAM**, elija un rol de IAM que tenga los permisos necesarios para ejecutar trabajos de transformación por lotes en SageMaker IA, o bien elija **Crear un nuevo rol** para permitir que SageMaker AI cree un rol que tenga asociada la política de `AmazonSageMakerFullAccess` administración. Para obtener información, consulte [Cómo utilizar las funciones de ejecución de la SageMaker IA](sagemaker-roles.md). 1. Para **Validation profile (Perfil de validación)**, especifique lo siguiente: + Un nombre para el perfil de validación. + Una **definición de trabajo de transformación**. Se trata de un bloque JSON que describe un trabajo de transformación por lotes. Se trata del mismo formato que el parámetro de entrada [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_TransformJobDefinition.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_TransformJobDefinition.html) de la API [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAlgorithm.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAlgorithm.html). 1. Seleccione **Create marketplace model package (Crear paquete modelo de mercado)**. ## Cree un recurso de paquete de modelos (API) Para crear un paquete modelo mediante la SageMaker API, llama a la [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateModelPackage.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateModelPackage.html)API. # 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.