翻訳は機械翻訳により提供されています。提供された翻訳内容と英語版の間で齟齬、不一致または矛盾がある場合、英語版が優先します。
# アルゴリズムとモデルパッケージのリソースの使用
Amazon SageMaker AI アカウントでアルゴリズムとモデルパッケージをリソースとして作成でき、AWS Marketplace でアルゴリズムとモデルパッケージを見つけてサブスクライブできます。
アルゴリズムを使用すると、以下を実行できます。
+ トレーニングジョブを実行する。詳細については、「[アルゴリズムを使用してトレーニングジョブを実行する](sagemaker-mkt-algo-train.md)」を参照してください。
+ ハイパーパラメータ調整ジョブを実行する。詳細については、「[アルゴリズムを使用してハイパーパラメータ調整ジョブを実行する](sagemaker-mkt-algo-tune.md)」を参照してください。
+ モデルパッケージを作成する。アルゴリズムリソースを使用してトレーニングジョブまたはハイパーパラメータ調整ジョブを実行した後、これらのジョブが出力するモデルアーティファクトをアルゴリズムと一緒に使用してモデルパッケージを作成できます。詳細については、「[モデルパッケージのリソースを作成する](sagemaker-mkt-create-model-package.md)」を参照してください。
**注記**
AWS Marketplace でアルゴリズムをサブスクライブする場合は、モデルパッケージを作成してから、それを使用して推論を取得する必要があります。これには、ホストエンドポイントを作成するか、バッチ変換ジョブを実行します。
![\[市場購入者のワークフロー。\]](http://docs.aws.amazon.com/ja_jp/sagemaker/latest/dg/images/mkt-buyer-workflow.png)
モデルパッケージを使用すると、以下を実行できます。
+ リアルタイムでの推論の取得やバッチ変換ジョブの実行に使用できるモデルを作成する。詳細については、「[モデルパッケージを使用してモデルを作成する](sagemaker-mkt-model-pkg-model.md)」を参照してください。
+ ホストエンドポイントを作成して、リアルタイムで推論を取得する。詳細については、「[SageMaker AI ホスティングサービスにモデルをデプロイする](ex1-model-deployment.md#ex1-deploy-model)」を参照してください。
+ バッチ変換ジョブを作成する。詳細については、「[(オプション) バッチ変換を使用して予測を行う](ex1-model-deployment.md#ex1-batch-transform)」を参照してください。
**Topics**
+ [アルゴリズムを使用してトレーニングジョブを実行する](sagemaker-mkt-algo-train.md)
+ [アルゴリズムを使用してハイパーパラメータ調整ジョブを実行する](sagemaker-mkt-algo-tune.md)
+ [モデルパッケージを使用してモデルを作成する](sagemaker-mkt-model-pkg-model.md)
# アルゴリズムを使用してトレーニングジョブを実行する
アルゴリズムリソースを使用してトレーニングジョブを作成するには、Amazon SageMaker AI コンソール、低レベルの Amazon SageMaker API、または [Amazon SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable) を使います。
**注記**
実行ロールには、指定したアルゴリズムリソースに対する`sagemaker:DescribeAlgorithm`アクセス許可が必要です。実行ロールのアクセス許可の詳細については、「」を参照してください[CreateTrainingJob API: 実行ロールアクセス許可](sagemaker-roles.md#sagemaker-roles-createtrainingjob-perms)。
**Topics**
+ [アルゴリズムを使用してトレーニングジョブを実行する (コンソール)](#sagemaker-mkt-algo-train-console)
+ [アルゴリズムを使用してトレーニングジョブを実行する (API)](#sagemaker-mkt-algo-train-api)
+ [アルゴリズムを使用してトレーニングジョブを実行する ([Amazon SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable))](#sagemaker-mkt-algo-train-sdk)
## アルゴリズムを使用してトレーニングジョブを実行する (コンソール)
**アルゴリズムを使用してトレーニングジョブを実行するには (コンソール)**
1. [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/) で SageMaker AI コンソールを開きます。
1. [**Algorithms (アルゴリズム)**] を選択します。
1. [**My algorithms (マイアルゴリズム)**] タブのリストから作成したアルゴリズムを選択するか、[**AWS Marketplace subscriptions (AWS Marketplace サブスクリプション)**] タブでサブスクライブしたアルゴリズムを選択します。
1. **[トレーニングジョブの作成]** を選択します。
選択したアルゴリズムが自動的に選択されます。
1. [**トレーニングジョブの作成**] ページで、以下の情報を指定します。
1. [**ジョブ名**] には、トレーニングジョブの名前を入力します。
1. **[IAM ロール]** では、SageMaker AI でのトレーニングジョブの実行に必要な許可を持つ IAM ロールを選択するか、**[新しいロールを作成]** を選択して、`AmazonSageMakerFullAccess` 管理ポリシーがアタッチされたロールの作成を SageMaker AI に許可します。詳細については、「[SageMaker AI 実行ロールの使用方法](sagemaker-roles.md)」を参照してください。
1. [**リソース設定**] では、以下の情報を指定します。
1. [**インスタンスタイプ**] では、トレーニングに使用するインスタンスタイプを選択します。
1. [**インスタンス数**] には、トレーニングジョブに使用する ML インスタンス数を入力します。
1. [**インスタンスあたりのボリュームサイズ (GB)**] には、プロビジョニングする ML ストレージボリュームのサイズを入力します。ML ストレージボリュームには、モデルアーティファクトと増分ステートが保存されます。
1. **暗号化キー**で、Amazon SageMaker AI で AWS Key Management Service キーを使用してトレーニングインスタンスにアタッチされた ML ストレージボリューム内のデータを暗号化する場合は、キーを指定します。
1. [**停止条件**] には、トレーニングジョブの最大実行時間を秒数、分数、時間数、または日数で指定します。
1. **[VPC]** には、トレーニングコンテナにアクセス権を付与する Amazon VPC を選択します。詳細については、「[Amazon VPC のリソースへのアクセス権を SageMaker AI トレーニングジョブに付与する](train-vpc.md)」を参照してください。
1. [**ハイパーパラメータ**] には、トレーニングジョブに使用するハイパーパラメータの値を指定します。
1. [**入力データ設定**] には、トレーニングジョブに使用する入力データのチャネルごとに以下の値を指定します。アルゴリズムの **[アルゴリズムの要約]** ページの **[チャネル仕様]** セクションでは、トレーニングのサポートに使用しているアルゴリズムのチャネル、コンテンツタイプ、サポートされる圧縮タイプ、サポートされる入力モードを確認できます。
1. [**チャネル名**] には、入力チャネルの名前を入力します。
1. [**コンテンツタイプ**] には、アルゴリズムがチャネルに期待するデータのコンテンツタイプを入力します。
1. [**圧縮タイプ**] では、使用するデータ圧縮タイプがあればそれを選択します。
1. [**レコードラッパー**] では、アルゴリズムで `RecordIO` 形式のデータが必要な場合に [`RecordIO`] を選択します。
1. [**S3 データタイプ**]、[**S3 データディストリビューションタイプ**]、および [**S3 の場所**] には、適切な値を指定します。これらの値の意味については、[https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_S3DataSource.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_S3DataSource.html)を参照してください。
1. [**入力モード**] では、プロビジョニングされた ML ストレージボリュームからデータをダウンロードし、ディレクトリを Docker ボリュームにマウントする場合に [**ファイル**] を選択します。Amazon S3 からコンテナに直接データをストリーミングする場合は [**Pipe (パイプ)**] を選択します。
1. 別の入力チャネルを追加するには、[**チャネルの追加**] を選択します。入力チャネルの追加が完了したら、[**完了**] を選択します。
1. [**出力**] 場所には、以下の値を指定します。
1. [**S3 出力パス**] では、トレーニングジョブがモデルアーティファクトなどの出力を保存する S3 の場所を選択します。
**注記**
この場所に保存されているモデルアーティファクトを使用して、このトレーニングジョブからモデルまたはモデルパッケージを作成します。
1. **暗号化キー**の場合、SageMaker AI で AWS KMS キーを使用して S3 の場所に保存されている出力データを暗号化します。
1. [**タグ**] には、トレーニングジョブを管理するためのタグを 1 つ以上指定します。各タグは、キーおよび値 (オプション) で構成されます。タグキーはリソースごとに一意である必要があります。
1. [**トレーニングジョブの作成**] を選択して、トレーニングジョブを実行します。
## アルゴリズムを使用してトレーニングジョブを実行する (API)
アルゴリズムを使用してトレーニングジョブを実行する際に SageMaker API を使用するには、[https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html) に渡す [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AlgorithmSpecification.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AlgorithmSpecification.html) オブジェクトの [`AlgorithmName`] フィールドにアルゴリズムの名前または Amazon リソースネーム (ARN) を指定します。SageMaker AI でモデルをトレーニングする方法については、「[Amazon SageMaker でモデルをトレーニングする](how-it-works-training.md)」を参照してください。
## アルゴリズムを使用してトレーニングジョブを実行する ([Amazon SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable))
で作成またはサブスクライブしたアルゴリズムを使用してトレーニングジョブ AWS Marketplace を作成し、 `AlgorithmEstimator` オブジェクトを作成し、Amazon リソースネーム (ARN) またはアルゴリズムの名前を`algorithm_arn`引数の値として指定します。その後、推定器の `fit` メソッドを呼び出します。例：
```
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})
```
# アルゴリズムを使用してハイパーパラメータ調整ジョブを実行する
次のセクションでは、アルゴリズムリソースを使用して Amazon SageMaker AI でハイパーパラメータチューニングジョブを実行する方法について説明します。ハイパーパラメータ調整ジョブは、指定したアルゴリズムとハイパーパラメータの範囲を使用して、データセットに対して多数のトレーニングジョブを実行することにより、モデルの最適なバージョンを見つけます。さらに、選択したメトリクスでの測定に基づいて、最もパフォーマンスの高いモデルになるハイパーパラメータ値を選択します。詳細については、「[SageMaker AI の自動モデルチューニング](automatic-model-tuning.md)」を参照してください。
アルゴリズムリソースを使用してハイパーパラメータチューニングジョブを作成するには、Amazon SageMaker AI コンソール、低レベルの Amazon SageMaker API、または [Amazon SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable) を使用します。
**Topics**
+ [アルゴリズムを使用してハイパーパラメータ調整ジョブを実行する (コンソール)](#sagemaker-mkt-algo-tune-console)
+ [アルゴリズムを使用してハイパーパラメータ調整ジョブを実行する (API)](#sagemaker-mkt-algo-tune-api)
+ [アルゴリズムを使用してハイパーパラメータチューニングジョブを実行する ([Amazon SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable))](#sagemaker-mkt-algo-tune-sdk)
## アルゴリズムを使用してハイパーパラメータ調整ジョブを実行する (コンソール)
**アルゴリズムを使用してハイパーパラメータ調整ジョブを実行するには (コンソール)**
1. SageMaker AI コンソール ([https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)) を開きます。
1. [**Algorithms (アルゴリズム)**] を選択します。
1. [**My algorithms (マイアルゴリズム)**] タブのリストから作成したアルゴリズムを選択するか、[**AWS Marketplace subscriptions (AWS Marketplace サブスクリプション)**] タブでサブスクライブしたアルゴリズムを選択します。
1. [**ハイパーパラメータ調整ジョブの作成**] を選択します。
選択したアルゴリズムが自動的に選択されます。
1. [**ハイパーパラメータ調整ジョブの作成**] ページで、以下の情報を指定します。
1. [**Warm start (ブート)**] では、以前のハイパーパラメータ調整ジョブの情報をこのハイパーパラメータ調整ジョブの開始点として使用する場合に [**Enable warm start (ウォームスタートを有効にする)**] を選択します。詳細については、「[ウォームスタートのハイパーパラメータ調整ジョブを実行する](automatic-model-tuning-warm-start.md)」を参照してください。
1. 入力データがこのハイパーパラメータ調整ジョブの親ジョブの入力データと同じである場合は、[**Identical data and algorithm (同一データとアルゴリズム)**] を選択します。また、このハイパーパラメータ調整ジョブに追加または異なる入力データを使用するには、[**Transfer learning (転移学習)**] を選択します。
1. [**Parent hyperparameter tuning job(s) (親ハイパーパラメータ調整ジョブ)**] では、このハイパーパラメータ調整ジョブの親として使用するハイパーパラメータ調整ジョブを最大 5 つ選択します。
1. [**調整ジョブ名**] には、調整ジョブの名前を入力します。
1. **[IAM ロール]** では、SageMaker AI でのハイパーパラメータチューニングジョブの実行に必要な許可を持つ IAM ロールを選択するか、**[新しいロールを作成]** を選択して、`AmazonSageMakerFullAccess` 管理ポリシーがアタッチされたロールの作成を SageMaker AI に許可します。詳細については、「[SageMaker AI 実行ロールの使用方法](sagemaker-roles.md)」を参照してください。
1. **[VPC]** では、チューニングジョブが起動するトレーニングジョブにアクセス権を付与する Amazon VPC を選択します。詳細については、「[Amazon VPC のリソースへのアクセス権を SageMaker AI トレーニングジョブに付与する](train-vpc.md)」を参照してください。
1. **[Next]** (次へ) を選択します。
1. [**Objective metric (メトリクス名)**] では、ハイパーパラメータ調整ジョブがハイパーパラメータの最適な組み合わせを決定するために使用するメトリクスを選択し、このメトリクスを最小化するか最大化するかを選択します。詳細については、「[最善のトレーニングジョブを確認する](automatic-model-tuning-ex-tuning-job.md#automatic-model-tuning-best-training-job)」を参照してください。
1. [**ハイパーパラメータ設定**] では、調整ジョブの検索対象として調整可能なハイパーパラメータの範囲を選択し、ハイパーパラメータ調整ジョブが開始するすべてのトレーニングジョブで一定のままにする必要のあるハイパーパラメータの静的な値を設定します。詳細については、「[ハイパーパラメータの範囲を定義する](automatic-model-tuning-define-ranges.md)」を参照してください。
1. **[Next]** (次へ) を選択します。
1. [**入力データ設定**] では、ハイパーパラメータ調整ジョブに使用する入力データのチャネルごとに以下の値を指定します。アルゴリズムの **[Algorithm summary]** (アルゴリズムの概要) ページの **[Channel specification]** (チャネル仕様) セクションでは、ハイパーパラメータチューニングのサポートに使用しているアルゴリズムのチャネル、コンテンツタイプ、サポートされる圧縮タイプ、サポートされる入力モードを確認できます。
1. [**チャネル名**] には、入力チャネルの名前を入力します。
1. [**コンテンツタイプ**] には、アルゴリズムがチャネルに期待するデータのコンテンツタイプを入力します。
1. [**圧縮タイプ**] では、使用するデータ圧縮タイプがあればそれを選択します。
1. [**レコードラッパー**] では、アルゴリズムで `RecordIO` 形式のデータが必要な場合に [`RecordIO`] を選択します。
1. [**S3 データタイプ**]、[**S3 データディストリビューションタイプ**]、および [**S3 の場所**] には、適切な値を指定します。これらの値の意味については、[https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_S3DataSource.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_S3DataSource.html)を参照してください。
1. [**入力モード**] では、プロビジョニングされた ML ストレージボリュームからデータをダウンロードし、ディレクトリを Docker ボリュームにマウントする場合に [**ファイル**] を選択します。Amazon S3 からコンテナに直接データをストリーミングする場合は [**Pipe (パイプ)**] を選択します。
1. 別の入力チャネルを追加するには、[**チャネルの追加**] を選択します。入力チャネルの追加が完了したら、[**完了**] を選択します。
1. [**出力**] 場所には、以下の値を指定します。
1. [**S3 出力パス**] では、このハイパーパラメータ調整ジョブが起動するトレーニングジョブがモデルアーティファクトなどの出力を保存する S3 の場所を選択します。
**注記**
この場所に保存されているモデルアーティファクトを使用して、このハイパーパラメータ調整ジョブからモデルまたはモデルパッケージを作成します。
1. **暗号化キー**の場合、SageMaker AI で AWS KMS キーを使用して S3 の場所に保存されている出力データを暗号化します。
1. [**リソース設定**] では、以下の情報を指定します。
1. [**インスタンスタイプ**] では、ハイパーパラメータ調整ジョブが起動する各トレーニングジョブに使用するインスタンスのタイプを選択します。
1. [**インスタンス数**] には、ハイパーパラメータ調整ジョブが起動する各トレーニングジョブに使用する ML インスタンスの数を入力します。
1. [**インスタンスあたりのボリュームサイズ (GB)**] には、ハイパーパラメータ調整ジョブが起動する各トレーニングジョブをプロビジョニングする ML ストレージボリュームのサイズを入力します。ML ストレージボリュームには、モデルアーティファクトと増分ステートが保存されます。
1. **暗号化キー**で、Amazon SageMaker AI が AWS Key Management Service キーを使用してトレーニングインスタンスにアタッチされた ML ストレージボリューム内のデータを暗号化する場合は、キーを指定します。
1. [**リソースの制限**] では、以下の情報を指定します。
1. [**トレーニングジョブの最大数**] では、ハイパーパラメータ調整ジョブで起動するトレーニングジョブの最大数を指定します。ハイパーパラメータ調整ジョブは、最大 500 個のトレーニングジョブを起動できます。
1. [**最大並行トレーニングジョブ**] では、ハイパーパラメータ調整ジョブが同時に起動できるトレーニングジョブの最大数を指定します。ハイパーパラメータ調整ジョブは、最大 10 個のトレーニングジョブを同時に起動することができます。
1. [**停止条件**] には、ハイパーパラメータ調整ジョブが起動する各トレーニングジョブの最大実行時間を秒数、分数、時間数、または日数で指定します。
1. [**タグ**] には、ハイパーパラメータ調整ジョブを管理するためのタグを 1 つ以上指定します。各タグは、キーおよび値 (オプション) で構成されます。タグキーはリソースごとに一意である必要があります。
1. [**ジョブの作成**] を選択して、ハイパーパラメータ調整ジョブを実行します。
## アルゴリズムを使用してハイパーパラメータ調整ジョブを実行する (API)
アルゴリズムを使用してハイパーパラメータ調整ジョブを実行する際に、SageMaker API を使用するには、[https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateHyperParameterTuningJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateHyperParameterTuningJob.html) に渡す [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AlgorithmSpecification.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AlgorithmSpecification.html) オブジェクトの `AlgorithmName` フィールドとしてアルゴリズムの名前または Amazon リソースネーム (ARN) を指定します。SageMaker AI でのハイパーパラメータチューニングについては、「[SageMaker AI の自動モデルチューニング](automatic-model-tuning.md)」を参照してください。
## アルゴリズムを使用してハイパーパラメータチューニングジョブを実行する ([Amazon SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable))
で作成またはサブスクライブしたアルゴリズムを使用してハイパーパラメータ調整ジョブ AWS Marketplace を作成し、 `AlgorithmEstimator` オブジェクトを作成し、`algorithm_arn`引数の値として Amazon リソースネーム (ARN) またはアルゴリズムの名前を指定します。その後、`estimator` 引数の値として作成した `AlgorithmEstimator` を使用して、`HyperparameterTuner` オブジェクトを初期化します。最後に `AlgorithmEstimator` の `fit` メソッドを呼び出します。例：
```
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()
```
# モデルパッケージを使用してモデルを作成する
モデルパッケージを使用し、ホストエンドポイントを作成するか、バッチ変換ジョブを実行して、リアルタイムの推論を得るために使用できるデプロイ可能なモデルを作成します。モデルパッケージからデプロイ可能なモデルを作成するには、Amazon SageMaker AI コンソール、低レベルの SageMaker API、または [Amazon SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable) を使用します。
**Topics**
+ [モデルパッケージを使用してモデルを作成する (コンソール)](#sagemaker-mkt-model-pkg-model-console)
+ [モデルパッケージを使用してモデルを作成する (API)](#sagemaker-mkt-model-pkg-model-api)
+ [モデルパッケージを使用してモデルを作成する ([Amazon SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable))](#sagemaker-mkt-model-pkg-model-sdk)
## モデルパッケージを使用してモデルを作成する (コンソール)
**モデルパッケージからデプロイ可能なモデルを作成するには (コンソール)**
1. SageMaker AI コンソール ([https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)) を開きます。
1. [**Model packages (モデルパッケージ)**] を選択します。
1. [**My model packages (自分のモデルパッケージ)**] タブのリストから作成したモデルパッケージを選択するか、[**AWS Marketplace subscriptions (AWS Marketplace サブスクリプション)**] タブでサブスクライブしたモデルパッケージを選択します。
1. **[モデルの作成]** を選択します。
1. [**モデル名**] には、モデルの名前を入力します。
1. **[IAM ロール]** では、SageMaker AI での他のサービスの代理呼び出しに必要な許可を持つ IAM ロールを選択するか、**[新しいロールを作成]** を選択して、`AmazonSageMakerFullAccess` 管理ポリシーがアタッチされたロールの作成を SageMaker AI に許可します。詳細については、「[SageMaker AI 実行ロールの使用方法](sagemaker-roles.md)」を参照してください。
1. **[VPC]** には、モデルにアクセス権を付与する Amazon VPC を選択します。詳細については、「[Amazon VPC のリソースへのアクセス権を SageMaker AI のホストされたエンドポイントに付与する](host-vpc.md)」を参照してください。
1. [**Container input options (コンテナ入力オプション)**] と [**Choose model package (モデルパッケージの選択)**] はデフォルト値のままにします。
1. 環境変数には、モデルコンテナに渡す環境変数の名前と値を入力します。
1. [**タグ**] には、モデルを管理するためのタグを 1 つ以上指定します。各タグは、キーおよび値 (オプション) で構成されます。タグキーはリソースごとに一意である必要があります。
1. **[モデルの作成]** を選択します。
デプロイ可能なモデルを作成したら、それを使用してリアルタイム推論用のエンドポイントを設定したり、データセット全体の推論を取得するためのバッチ変換ジョブを作成したりすることができます。SageMaker AI でエンドポイントをホストする方法については、「[推論のためのモデルをデプロイする](https://docs.aws.amazon.com/sagemaker/latest/dg/deploy-model.html)」を参照してください。
## モデルパッケージを使用してモデルを作成する (API)
モデルパッケージを使用してデプロイ可能なモデルを作成する際に SageMaker API を使用するには、[https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateModel.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateModel.html) API に渡す [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_ContainerDefinition.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_ContainerDefinition.html) オブジェクトの `ModelPackageName` フィールドにモデルパッケージの名前または Amazon リソースネーム (ARN) を指定します。
デプロイ可能なモデルを作成したら、それを使用してリアルタイム推論用のエンドポイントを設定したり、データセット全体の推論を取得するためのバッチ変換ジョブを作成したりすることができます。SageMaker AI がホストするエンドポイントについては、「[推論のためのモデルをデプロイする](https://docs.aws.amazon.com/sagemaker/latest/dg/deploy-model.html)」を参照してください。
## モデルパッケージを使用してモデルを作成する ([Amazon SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable))
モデルパッケージを使用してデプロイ可能なモデルを作成する際に SageMaker AI Python SDK を使用するには、`ModelPackage` オブジェクトを初期化し、モデルパッケージの Amazon リソースネーム (ARN) を `model_package_arn` 引数として渡します。例えば、次のようになります。
```
from sagemaker import ModelPackage
model = ModelPackage(role='SageMakerRole',
model_package_arn='training-job-scikit-decision-trees-1542660466-6f92',
sagemaker_session=sagemaker_session)
```
デプロイ可能なモデルを作成したら、それを使用してリアルタイム推論用のエンドポイントを設定したり、データセット全体の推論を取得するためのバッチ変換ジョブを作成したりすることができます。SageMaker AI でエンドポイントをホストする方法については、「[推論のためのモデルをデプロイする](https://docs.aws.amazon.com/sagemaker/latest/dg/deploy-model.html)」を参照してください。