As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.
# Exemplos e mais informações: use seu próprio algoritmo ou modelo
Os seguintes notebooks Jupyter e informações adicionais mostram como usar seus próprios algoritmos ou modelos pré-treinados de uma instância de notebook da Amazon. SageMaker Para obter links para os GitHub repositórios com os Dockerfiles pré-criados para o, TensorFlow MXNet, Chainer e PyTorch estruturas e instruções sobre como usar os AWS SDK para Python (Boto3) estimadores para executar seus próprios algoritmos de treinamento no AI Learner e seus próprios modelos na SageMaker hospedagem de IA, consulte SageMaker [Imagens pré-construídas do SageMaker AI Docker para aprendizado profundo](pre-built-containers-frameworks-deep-learning.md)
## Configuração
1. Crie uma instância de SageMaker notebook. Para obter instruções sobre como criar e acessar instâncias do caderno Jupyter, consulte [Instâncias de SageMaker notebook da Amazon](nbi.md).
1. Abra a instância de caderno.
1. Escolha a guia **Exemplos de SageMaker IA** para obter uma lista de todos os cadernos de exemplos de SageMaker IA.
1. Abra os blocos de anotações de amostra na seção **Funcionalidade avançada** em sua instância do notebook ou GitHub usando os links fornecidos. Para abrir um caderno, escolha a guia **Uso** e depois escolha **Criar cópia**.
## Modelos hospedeiros treinados em Scikit-learn
Para aprender a hospedar modelos treinados Scikit-learn para fazer previsões em SageMaker IA injetando-os em contêineres primários k-means e XGBoost, consulte os seguintes exemplos de notebooks.
+ [kmeans\_bring\_your\_own\_model](https://github.com/awslabs/amazon-sagemaker-examples/tree/master/advanced_functionality/kmeans_bring_your_own_model)
+ [XGBoost\_bring\_your\_own\_model](https://github.com/awslabs/amazon-sagemaker-examples/tree/master/advanced_functionality/xgboost_bring_your_own_model)
## Package TensorFlow e Scikit-learn modelos para uso em SageMaker IA
Para saber como empacotar algoritmos que você desenvolveu TensorFlow e estruturas scikit-learn para treinamento e implantação no ambiente de SageMaker IA, consulte os notebooks a seguir. Eles mostram como criar, registrar e implantar seus próprios contêineres do Docker usando Dockerfiles.
+ [tensorflow\_bring\_your\_own](https://github.com/aws/amazon-sagemaker-examples/blob/main/advanced_functionality/tensorflow_iris_byom/tensorflow_BYOM_iris.ipynb)
+ [scikit\_bring\_your\_own](https://github.com/awslabs/amazon-sagemaker-examples/tree/master/advanced_functionality/scikit_bring_your_own)
## Treine e implante uma rede neural em SageMaker IA
Para aprender a treinar uma rede neural localmente usando o MXNet or e TensorFlow, em seguida, criar um endpoint a partir do modelo treinado e implantá-lo na SageMaker IA, consulte os notebooks a seguir. O modelo do MXNet é treinado para reconhecer números manuscritos do conjunto de dados MNIST. O TensorFlow modelo é treinado para classificar as íris.
+ [mxnet\_mnist\_byom](https://sagemaker.readthedocs.io/en/stable/frameworks/mxnet/using_mxnet.html)
+ [tensorflow\_BYOM\_iris](https://github.com/awslabs/amazon-sagemaker-examples/tree/master/advanced_functionality/tensorflow_iris_byom/tensorflow_BYOM_iris.ipynb)
## Treinamento usando o Modo Pipe
Para saber como usar um Dockerfile para criar um contêiner que chame o `train.py script` e use o modo de pipe para treinar um algoritmo personalizado, consulte o caderno a seguir. No modo de pipe, os dados de entrada são transferidos para o algoritmo durante o treinamento. Isso pode diminuir o tempo de treinamento em comparação ao uso do modo de arquivo.
+ [pipe\_bring\_your\_own](https://github.com/aws/amazon-sagemaker-examples/blob/0efd885ef2a5c04929d10c5272681f4ca17dac17/advanced_functionality/pipe_bring_your_own/pipe_bring_your_own.ipynb)
## Traga seus próprios modelos em R
Para saber como adicionar uma imagem no R personalizada para criar e treinar um modelo em um caderno do AWS SMS , consulte a publicação do blog a seguir. Esta postagem do blog usa uma amostra R Dockerfile de uma biblioteca de amostras de [imagens personalizadas do SageMaker AI Studio Classic](https://github.com/aws-samples/sagemaker-studio-custom-image-samples).
+ [Trazendo seu próprio ambiente de R para o Amazon SageMaker Studio Classic](https://aws.amazon.com/blogs/machine-learning/bringing-your-own-r-environment-to-amazon-sagemaker-studio/)
## Estender uma imagem de PyTorch contêiner pré-criada
Para saber como estender uma imagem de PyTorch contêiner de SageMaker IA pré-criada quando você tem requisitos funcionais adicionais para seu algoritmo ou modelo que a imagem pré-criada do Docker não suporta, consulte o bloco de notas a seguir.
+ [BER Ttopic\_extending\_container](https://github.com/aws/amazon-sagemaker-examples/blob/0efd885ef2a5c04929d10c5272681f4ca17dac17/advanced_functionality/pytorch_extend_container_train_deploy_bertopic/BERTtopic_extending_container.ipynb)
Para obter mais informações sobre como estender um contêiner, consulte [Estender um Pre-built contêiner](https://docs.aws.amazon.com/sagemaker/latest/dg/prebuilt-containers-extend.html).
## Treine e depure trabalhos de treinamento em um contêiner personalizado
Para saber como treinar e depurar trabalhos de treinamento usando o SageMaker Debugger, consulte o caderno a seguir. Um script de treinamento fornecido por meio deste exemplo usa o modelo TensorFlow Keras ResNet 50 e o conjunto de dados CIFAR10. Um contêiner personalizado do Docker é criado com o script de treinamento e enviado para o Amazon ECR. Enquanto o trabalho de treinamento está em execução, o Debugger coleta as saídas do tensor e identifica problemas de depuração. Com as ferramentas da biblioteca de clientes `smdebug`, você pode definir um objeto de teste `smdebug` que chama o trabalho de treinamento e as informações de depuração, verificar o status da regra de treinamento e do Debugger e recuperar tensores salvos em um bucket do Amazon S3 para analisar problemas de treinamento.
+ [build\_your\_own\_container\_with\_debugger](https://sagemaker-examples.readthedocs.io/en/latest/sagemaker-debugger/build_your_own_container_with_debugger/debugger_byoc.html)