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.
Modelo de programação para Amazon SageMaker AI
Fazer chamadas de API diretamente do código é complicado e exige que você escreva um código para autenticar suas solicitações. A Amazon SageMaker AI oferece as seguintes alternativas:
-
Use o console de SageMaker IA — Com o console, você não escreve nenhum código. Você usa a interface de usuário do console para iniciar o treinamento ou implantar um modelo. O console funciona bem para trabalhos simples, nos quais você usa um algoritmo de treinamento integrado e não precisa pré-processar dados de treinamento.
-
Modifique os exemplos de notebooks Jupyter — A SageMaker IA fornece vários notebooks Jupyter que treinam e implantam modelos usando algoritmos e conjuntos de dados específicos. Comece com um caderno que tenha um algoritmo adequado e modifique-o para acomodar sua fonte de dados e suas necessidades específicas.
-
Escreva código de treinamento e inferência de modelos do zero — a SageMaker IA fornece várias linguagens de AWS SDK (listadas na visão geral) e o Amazon Python SDK, uma biblioteca SageMaker Python
de alto nível que você pode usar em seu código para iniciar trabalhos de treinamento de modelos e implantar os modelos resultantes. -
O SDK do SageMaker Python — essa biblioteca do Python simplifica o treinamento e a implantação de modelos. Além de autenticar as solicitações, a biblioteca abstrai informações específicas da plataforma fornecendo métodos simples e parâmetros padrão. Por exemplo:
-
Para implantar o modelo, você chama apenas o método
deploy(). O método cria um artefato de modelo de SageMaker IA, uma configuração de endpoint e, em seguida, implanta o modelo em um endpoint. -
Se você usar um script de framework personalizado para treinamento de modelo, chame o método
fit(). O método cria um arquivo .gzip do seu script, faz upload dele para um local do Amazon S3 e, depois, o executa para treinamento de modelo e outras tarefas. Para obter mais informações, consulte Linguagens e frameworks de Machine Learning. -
Para definir padrões para chamadas de SageMaker API feitas pelo SDK do AI SageMaker Python, você usa um dicionário de configuração padrão. Para obter mais informações, consulte Como configurar e usar padrões com o SDK do Python SageMaker
.
-
-
Os AWS SDKs — Os SDKs fornecem métodos que correspondem à SageMaker API (consulte
Operations). Use os SDKs para iniciar programaticamente um trabalho de treinamento de modelos e hospedar o modelo na IA. SageMaker Os clientes do SDK gerenciam a autenticação para você, então você não precisa escrever um código de autenticação. Eles estão disponíveis em várias linguagens e plataformas. Para obter mais informações, consulte a lista anterior na visão geral.
EmGuia para se configurar com o Amazon SageMaker AI, você treina e implanta um modelo usando um algoritmo fornecido pela SageMaker IA. O exercício mostra como usar as duas bibliotecas. Para obter mais informações, consulte Guia para se configurar com o Amazon SageMaker AI.
-
-
Integre a SageMaker IA ao seu fluxo de trabalho do Apache Spark — A SageMaker IA fornece uma biblioteca para chamar suas APIs do Apache Spark. Com ele, você pode usar SageMaker AI-based estimadores em um pipeline do Apache Spark. Para obter mais informações, consulte Apache Spark com Amazon AI SageMaker.
