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.

# Adicionar modelos a um hub privado
<a name="jumpstart-curated-hubs-admin-guide-add-models"></a>

Depois de criar um hub privado, você pode adicionar os modelos permitidos. Para ver a lista completa dos JumpStart modelos disponíveis, consulte a [tabela de algoritmos integrados com modelos pré-treinados na referência](https://sagemaker.readthedocs.io/en/stable/doc_utils/pretrainedmodels.html) do SDK para SageMaker Python.

1. Você pode filtrar os modelos disponíveis de forma programática usando o método `hub.list_sagemaker_public_hub_models()`. Você pode filtrar de outra maneira por categorias, como estrutura (`"framework == pytorch"`), tarefas, por exemplo, classificação de imagens (`"task == ic"`) e muito mais. Para obter mais informações sobre os filtros, consulte [https://github.com/aws/sagemaker-python-sdk/blob/master/src/sagemaker/jumpstart/notebook_utils.py](https://github.com/aws/sagemaker-python-sdk/blob/master/src/sagemaker/jumpstart/notebook_utils.py). O parâmetro de filtros no método `hub.list_sagemaker_public_hub_models()` é opcional. 

   ```
   filter_value = "framework == meta"
   response = hub.list_sagemaker_public_hub_models(filter=filter_value)
   models = response["hub_content_summaries"]
   while response["next_token"]:
       response = hub.list_sagemaker_public_hub_models(filter=filter_value, next_token=response["next_token"])
       models.extend(response["hub_content_summaries"])
   
   print(models)
   ```

1. Em seguida, você pode adicionar os modelos filtrados ao definir o ARN do modelo no método `hub.create_model_reference()`.

   ```
   for model in models:
       print(f"Adding {model.get('hub_content_name')} to Hub")
       hub.create_model_reference(model_arn=model.get("hub_content_arn"), model_name=model.get("hub_content_name"))
   ```