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.
# Algoritmos e modelos personalizados com o AWS Marketplace
As seções a seguir mostram como criar recursos de pacotes de modelos e algoritmos que você pode usar localmente e publicar no AWS Marketplace.
**Topics**
+ [Criação de recursos de algoritmos e pacotes de modelos](sagemaker-mkt-create.md)
+ [Uso de recursos de algoritmos e pacotes de modelos](sagemaker-mkt-buy.md)
# Criação de recursos de algoritmos e pacotes de modelos
Depois que seu código de and/or inferência de treinamento for empacotado em contêineres do Docker, crie recursos de algoritmo e pacote de modelos que você possa usar em sua conta Amazon SageMaker AI e, opcionalmente, publicar. AWS Marketplace
**Topics**
+ [Criar um recurso de algoritmo](sagemaker-mkt-create-algo.md)
+ [Criar um recurso de pacote de modelos](sagemaker-mkt-create-model-package.md)
# Criar um recurso de algoritmo
Você pode criar um recurso de algoritmo para usar com trabalhos de treinamento na Amazon SageMaker AI e publicá-lo no AWS Marketplace. As seções a seguir explicam como fazer isso usando a Console de gerenciamento da AWS e a SageMaker API.
Para criar um recurso de algoritmo, você especifica as seguintes informações:
+ Os contêineres do Docker que contêm o código de treinamento e, opcionalmente, o código de inferência.
+ A configuração dos dados de entrada que seu algoritmo espera obter para treinamento.
+ Os hiperparâmetros compatíveis com seu algoritmo.
+ Métricas que seu algoritmo envia para a Amazon CloudWatch durante trabalhos de treinamento.
+ Os tipos de instância compatíveis com seu algoritmo para treinamento e inferência, e se ele oferece apoio para treinamento distribuído entre várias instâncias.
+ Perfis de validação, que são trabalhos de treinamento que a SageMaker IA usa para testar o código de treinamento do seu algoritmo e trabalhos de transformação em lote que a SageMaker IA executa para testar o código de inferência do seu algoritmo.
Para garantir que compradores e vendedores tenham certeza de que os produtos funcionam em SageMaker IA, exigimos que você valide seus algoritmos antes de listá-los. AWS Marketplace Você pode listar produtos no AWS Marketplace somente se a validação for bem-sucedida. Para validar seus algoritmos, a SageMaker IA usa seu perfil de validação e dados de amostra para executar as seguintes tarefas de validação:
1. Crie um trabalho de treinamento em sua conta para verificar se sua imagem de treinamento funciona com SageMaker IA.
1. Se você tiver incluído o código de inferência no seu algoritmo, crie um modelo na sua conta usando a imagem de inferência desse algoritmo e os artefatos de modelo produzidos pelo trabalho de treinamento.
1. Se você incluiu código de inferência em seu algoritmo, crie um trabalho de transformação em sua conta usando o modelo para verificar se sua imagem de inferência funciona com SageMaker IA.
Quando você lista seu produto AWS Marketplace, as entradas e saídas desse processo de validação persistem como parte do seu produto e são disponibilizadas para seus compradores. Isso ajuda os compradores a compreender e avaliar o produto antes de comprá-lo. Por exemplo, os compradores podem inspecionar os dados de entrada que você usou, as saídas geradas e os logs e as métricas emitidos pelo seu código. Quanto mais abrangente for a sua especificação de validação, mais fácil será para os clientes avaliarem o seu produto.
**nota**
No seu perfil de validação, forneça apenas os dados que você deseja expor publicamente.
A validação pode demorar algumas horas. Para ver o status dos trabalhos em sua conta, no console de SageMaker IA, consulte as páginas **Trabalhos de treinamento** e **Transformar trabalhos**. Se a validação falhar, você poderá acessar os relatórios de verificação e validação no console de SageMaker IA. Se algum problema for encontrado, você terá que criar o algoritmo novamente.
**nota**
Para publicar seu algoritmo AWS Marketplace, é necessário pelo menos um perfil de validação.
Você pode criar um algoritmo usando o console de SageMaker IA ou a API de SageMaker IA.
**Topics**
+ [Criar um recurso de algoritmo (console)](#sagemaker-mkt-create-algo-console)
+ [Criar um recurso de algoritmo (API)](#sagemaker-mkt-create-algo-api)
## Criar um recurso de algoritmo (console)
**Para criar um recurso de algoritmo (console)**
1. Abra o console de SageMaker IA em [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. No menu à esquerda, escolha **Treinamento**.
1. Na lista suspensa, escolha **Algoritmos** e, em seguida, escolha **Criar algoritmo**.
1. Na página **Especificações do treinamento**, forneça as seguintes informações:
1. Para **Nome do algoritmo**, digite um nome para o seu algoritmo. O nome do algoritmo deve ser exclusivo na sua conta e na AWS região. Esse nome deve ter de 1 a 64 caracteres. Os caracteres válidos são a-z, A-Z, 0-9 e hífen (-).
1. Digite uma descrição para o seu algoritmo. Essa descrição aparece no console do SageMaker AI e no AWS Marketplace.
1. Para a **Imagem de treinamento, digite o caminho no Amazon ECR onde seu contêiner de treinamento está armazenado.**
1. Para **Oferece apoio para treinamento distribuído**, escolha **Sim** se o seu algoritmo for compatível com treinamentos em várias instâncias. Caso contrário, escolha **Não**.
1. Para **Oferecer compatibilidade com os tipos de instâncias para treinamento**, escolha os tipos de instância compatíveis com o seu algoritmo.
1. Para **Especificação do canal**, especifique até 8 canais de dados de entrada para o seu algoritmo. Por exemplo, você pode especificar três canais de entrada chamados `train`, `validation` e `test`. Para cada canal, especifique as seguintes informações:
1. Para **Nome do canal**, digite um nome para o canal. Esse nome deve ter de 1 a 64 caracteres. Os caracteres válidos são a-z, A-Z, 0-9 e hífen (-).
1. Para exigir o canal para o seu algoritmo, escolha **Canal necessário**.
1. Digite uma descrição para o canal.
1. Para **Modos de entrada compatíveis**, escolha **Modo de pipe**, se o seu algoritmo oferecer compatibilidade com o streaming dos dados de entrada, e **Modo de arquivo**, se o seu algoritmo oferecer compatibilidade com o download dos dados de entrada como um arquivo. Você pode escolher os dois.
1. Para **Tipos de conteúdo compatíveis**, digite o tipo MIME esperado pelo seu algoritmo para os dados de entrada.
1. Em **Tipo de compactação compatível**, escolha **Gzip** se o seu algoritmo for compatível com a compactação Gzip. Caso contrário, escolha **Nenhum**.
1. Escolha **Adicionar canal** para adicionar outro canal de entrada de dados ou escolha **Avançar** se tiver terminado de adicionar canais.
1. Na página **Especificações do ajuste**, forneça as seguintes informações:
1. Para **Especificação dos hiperparâmetros**, especifique os hiperparâmetros aceitos pelo seu algoritmo, editando o objeto JSON. Para cada hiperparâmetro compatível com seu algoritmo, construa um bloco JSON semelhante ao seguinte:
```
{
"DefaultValue": "5",
"Description": "The first hyperparameter",
"IsRequired": true,
"IsTunable": false,
"Name": "intRange",
"Range": {
"IntegerParameterRangeSpecification": {
"MaxValue": "10",
"MinValue": "1"
},
"Type": "Integer"
}
```
No JSON, forneça o seguinte:
1. Para `DefaultValue`, especifique um valor padrão para o hiperparâmetro, se houver um.
1. Para `Description`, especifique uma descrição para o hiperparâmetro.
1. Para `IsRequired` especifique se o hiperparâmetro é necessário.
1. Para `IsTunable`, especifique `true` se esse hiperparâmetro puder ser ajustado quando um usuário executar um trabalho de ajuste de hiperparâmetro que use esse algoritmo. Para mais informações, consulte [Ajuste automático do modelo com SageMaker IA](automatic-model-tuning.md).
1. Para `Name`, especifique um nome para o hiperparâmetro.
1. Para `Range`, especifique um dos seguintes:
+ `IntegerParameterRangeSpecification` - os valores do hiperparâmetro são números inteiros. Especifique os valores mínimo e máximo para o hiperparâmetro.
+
+ `ContinuousParameterRangeSpecification` - os valores do hiperparâmetro são valores de ponto flutuante. Especifique os valores mínimo e máximo para o hiperparâmetro.
+ `CategoricalParameterRangeSpecification` - os valores do hiperparâmetro são valores categóricos. Especifique uma lista de todos os valores possíveis.
1. Para `Type`, especifique `Integer`, `Continuous` ou `Categorical`. O valor deve corresponder ao tipo de `Range` que você especificou.
1. Para **definições de métricas**, especifique qualquer métrica de treinamento que você deseja que seu algoritmo emita. SageMaker A IA usa a expressão regular que você especifica para encontrar as métricas analisando os registros do seu contêiner de treinamento durante o treinamento. Os usuários podem visualizar essas métricas ao executar trabalhos de treinamento com seu algoritmo e podem monitorar e traçar as métricas na Amazon CloudWatch. Para mais informações, consulte [CloudWatch Métricas da Amazon para monitorar e analisar trabalhos de treinamento](training-metrics.md). Para cada métrica, forneça as seguintes informações:
1. Para **Nome da métrica**, digite um nome para a métrica.
1. Para`Regex`, digite a expressão regular que a SageMaker IA usa para analisar os registros de treinamento para que ela possa encontrar o valor da métrica.
1. Para **Ajuda para métrica objetiva**, escolha **Sim** se essa métrica puder ser usada como métrica objetiva para um trabalho de ajuste de hiperparâmetros. Para mais informações, consulte [Ajuste automático do modelo com SageMaker IA](automatic-model-tuning.md).
1. Escolha **Adicionar métrica** para adicionar outra métrica ou escolha **Avançar** se tiver acabado de adicionar métricas.
1. Na página **Especificações da inferência**, forneça as seguintes informações caso o seu algoritmo seja compatível com inferência:
1. Em **Local da imagem de inferência**, digite o caminho no Amazon ECR em que seu contêiner de inferência está armazenado.
1. Para **Nome do host DNS do contêiner**, digite o nome de um host DNS para sua imagem.
1. Em **Tipos de instância compatíveis para inferência em tempo real**, escolha os tipos de instância compatíveis com seu algoritmo para modelos implantados como endpoints hospedados na IA. SageMaker Para mais informações, consulte [Implantar modelos para inferência](deploy-model.md).
1. Para **Tipos de instâncias compatíveis com trabalhos de transformação em lote**, escolha os tipos de instância aos quais seu algoritmo oferece apoio para trabalhos de transformação em lote. Para mais informações, consulte [Transformação em lote para inferência com a Amazon AI SageMaker](batch-transform.md).
1. Para **Tipos de conteúdo compatíveis**, digite o tipo de dados de entrada esperado pelo seu algoritmo para solicitações de inferência.
1. Para **Tipos de respostas de MIME compatíveis**, digite os tipos MIME compatíveis pelo seu algoritmo para respostas de inferência.
1. Escolha **Próximo**.
1. Na página **Especificações da validação**, forneça as seguintes informações:
1. Em **Publicar este algoritmo em AWS Marketplace**, escolha **Sim** para publicar o algoritmo AWS Marketplace.
1. Para **validar esse recurso**, escolha **Sim** se quiser que a SageMaker IA execute o código de and/or batch transform jobs that you specify to test the training and/or inferência de trabalhos de treinamento do seu algoritmo.
**nota**
Para publicar seu algoritmo em AWS Marketplace, seu algoritmo deve ser validado.
1. Para a **função IAM**, escolha uma função do IAM que tenha as permissões necessárias para executar trabalhos de treinamento e trabalhos de transformação em lote na SageMaker IA, ou escolha **Criar uma nova função** para permitir que a SageMaker IA crie uma função que tenha a política `AmazonSageMakerFullAccess` gerenciada anexada. Para mais informações, consulte [Como usar funções de execução de SageMaker IA](sagemaker-roles.md).
1. Para **Perfil de validação**, especifique o seguinte:
+ Um nome para o perfil de validação.
+ Uma **definição de trabalho de treinamento**. Este é um bloco JSON que descreve um trabalho de treinamento. Ele está no mesmo formato que o parâmetro de entrada [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_TrainingJobDefinition.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_TrainingJobDefinition.html) da API [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAlgorithm.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAlgorithm.html).
+ Uma **definição de trabalho de transformação**. Este é um bloco JSON que descreve um trabalho de transformação em lote. Ele está no mesmo formato que o parâmetro de entrada [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_TransformJobDefinition.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_TransformJobDefinition.html) da API [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAlgorithm.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAlgorithm.html).
1. Escolha **Criar algoritmo**.
## Criar um recurso de algoritmo (API)
Para criar um recurso de algoritmo usando a SageMaker API, chame a [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAlgorithm.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAlgorithm.html)API.
# Criar um recurso de pacote de modelos
Para criar um recurso de pacote de modelos que você possa usar para criar modelos implantáveis na Amazon SageMaker AI e publicar, AWS Marketplace especifique as seguintes informações:
+ O contêiner do Docker que comporta o código de inferência ou o recurso de algoritmo usado para treinar o modelo.
+ A localização dos artefatos do modelo. Os artefatos do modelo podem ser empacotados no mesmo contêiner do Docker do código de inferência ou armazenados no Amazon S3.
+ Os tipos de instância aceitos pelo seu pacote de modelos para trabalhos de transformação em lote e de inferência em tempo real.
+ Perfis de validação, que são trabalhos de transformação em lote que a SageMaker IA executa para testar o código de inferência do seu pacote de modelos.
Antes de listar pacotes de modelos AWS Marketplace, você deve validá-los. Isso garante que compradores e vendedores tenham certeza de que os produtos funcionam na Amazon SageMaker AI. Você pode listar produtos AWS Marketplace somente se a validação for bem-sucedida.
O procedimento de validação usa seu perfil de validação e dados de amostra para executar as seguintes tarefas de validação:
1. Criar um modelo na sua conta usando a imagem de inferência do pacote de modelos e os artefatos do modelo opcionais armazenados no Amazon S3.
**nota**
Um pacote de modelos é específico da região em que foi criado. O bucket do S3 em que os artefatos do modelo são armazenados deve estar na mesma região em que o pacote de modelos foi criado.
1. Crie um trabalho de transformação em sua conta usando o modelo para verificar se sua imagem de inferência funciona com SageMaker IA.
1. Criar um perfil de validação.
**nota**
No seu perfil de validação, forneça apenas os dados que você deseja expor publicamente.
A validação pode demorar algumas horas. Para ver o status dos trabalhos em sua conta, no console de SageMaker IA, consulte as páginas **Transformar trabalhos**. Se a validação falhar, você poderá acessar os relatórios de verificação e validação no console de SageMaker IA. Depois de corrigir problemas, recrie o algoritmo. Quando o status do algoritmo for`COMPLETED`, encontre-o no console de SageMaker IA e inicie o processo de listagem
**nota**
Para publicar seu pacote de modelo AWS Marketplace, é necessário pelo menos um perfil de validação.
Você pode criar um pacote de modelo usando o console de SageMaker IA ou usando a SageMaker API.
**Topics**
+ [Criar um recurso de pacote de modelos (console)](#sagemaker-mkt-create-model-pkg-console)
+ [Criar um recurso de pacote de modelos (API)](#sagemaker-mkt-create-model-pkg-api)
## Criar um recurso de pacote de modelos (console)
**Para criar um pacote de modelos no console de SageMaker IA:**
1. Abra o console de SageMaker IA em [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. No menu à esquerda, escolha **Inferência**.
1. Escolha **Pacotes de modelos de Marketplace** e, depois, **Criar pacote de modelos do Marketplace**.
1. Na página **Inference specifications (Especificações da inferência)**, forneça as seguintes informações:
1. Para **Model package name (Nome do pacote de modelos)**, digite um nome para seu pacote de modelos. O nome do pacote do modelo deve ser exclusivo na sua conta e na AWS região. Esse nome deve ter de 1 a 64 caracteres. Os caracteres válidos são a-z, A-Z, 0-9 e hífen (-).
1. Digite uma descrição para o pacote de modelos. Essa descrição aparece no console do SageMaker AI e no AWS Marketplace.
1. Para **Inference specification options (Opções de especificações de inferência)**, escolha **Provide the location of the inference image and model artifacts (Forneça a localização dos artefatos de modelo e imagem de inferência)** para criar um pacote de modelos usando um contêiner de inferência e artefatos de modelo. Escolha **Provide the algorithm used for training and its model artifacts (Forneça o algoritmo usado para treinamento e seus artefatos de modelo)** para criar um pacote de modelos a partir de um recurso de algoritmo que você criou ou assinou no AWS Marketplace.
1. Se você escolher **Provide the location of the inference image and model artifacts (Forneça a localização dos artefatos de modelo e imagem de inferência)** para **Inference specification options (Opções de especificações de inferência)**, forneça as seguintes informações para **Container definition (Definição de container)** e **Supported resources (Recursos compatíveis)**:
1. Para **Localização de imagem de inferência**, digite o caminho para a imagem que contém seu código de inferência. A imagem deve ser armazenada como um contêiner do Docker no Amazon ECR.
1. Para **Local dos artefatos de dados do modelo**, digite o local no S3 onde os artefatos do modelo estão armazenados.
1. Para **Container DNS host name (Nome do host DNS do contêiner)**, digite o nome do host DNS a ser usado para o contêiner.
1. Em **Tipos de instância compatíveis para inferência em tempo real**, escolha os tipos de instância compatíveis com seu pacote de modelos para inferência em tempo real a partir de endpoints hospedados por SageMaker IA.
1. Em **Tipos de instância compatíveis com trabalhos de transformação em lote**, escolha os tipos de instância que seu pacote de modelo permite para trabalhos de transformação em lote.
1. Para **Tipos de conteúdo compatíveis**, digite os tipos de conteúdo esperados pelo seu pacote de modelos para solicitações de inferência.
1. Para **Tipos de respostas de MIME compatíveis**, digite os tipos MIME usados pelo pacote de modelos para fornecer inferências.
1. Se você escolher **Forneça o algoritmo usado para treinamento e seus artefatos de modelo** para **Opções de especificações de inferência**, forneça as seguintes informações:
1. Para **ARN do algoritmo**, digite o Nome de recurso da Amazon (ARN) do recurso de algoritmo a ser usado para criar o pacote de modelos.
1. Para **Local dos artefatos de dados do modelo**, digite o local no S3 onde os artefatos do modelo estão armazenados.
1. Escolha **Próximo**.
1. Na página **Validação e verificação**, forneça as seguintes informações:
1. Em **Publicar este pacote de modelo em AWS Marketplace**, escolha **Sim** para publicar o pacote de modelo em AWS Marketplace.
1. Em **Validar esse recurso**, escolha **Sim** se quiser que a SageMaker IA execute trabalhos de transformação em lote que você especifica para testar o código de inferência do seu pacote de modelo.
**nota**
Para publicar seu pacote de modelo em AWS Marketplace, seu pacote de modelo deve ser validado.
1. Para a **função IAM**, escolha uma função do IAM que tenha as permissões necessárias para executar trabalhos de transformação em lote na SageMaker IA ou escolha **Criar uma nova função** para permitir que a SageMaker IA crie uma função que tenha a política `AmazonSageMakerFullAccess` gerenciada anexada. Para mais informações, consulte [Como usar funções de execução de SageMaker IA](sagemaker-roles.md).
1. Para **Perfil de validação**, especifique o seguinte:
+ Um nome para o perfil de validação.
+ Uma **definição de trabalho de transformação**. Este é um bloco JSON que descreve um trabalho de transformação em lote. Ele está no mesmo formato que o parâmetro de entrada [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_TransformJobDefinition.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_TransformJobDefinition.html) da API [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAlgorithm.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAlgorithm.html).
1. Escolha **Criar pacote de modelo de mercado**.
## Criar um recurso de pacote de modelos (API)
Para criar um pacote de modelo usando a SageMaker API, chame a [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 algoritmos e pacotes de modelos
Você pode criar algoritmos e pacotes de modelo como recursos na conta do Amazon SageMaker AI e encontrar e assinar algoritmos e pacotes de modelo no AWS Marketplace.
Use algoritmos para:
+ Executar trabalhos de treinamento. Para mais informações, consulte [Usar um algoritmo para executar um trabalho de treinamento](sagemaker-mkt-algo-train.md).
+ Executar trabalhos de ajuste de hiperparâmetros. Para mais informações, consulte [Usar um algoritmo para executar um trabalho de ajuste de hiperparâmetros](sagemaker-mkt-algo-tune.md).
+ Criar pacotes de modelos. Depois de usar um recurso de algoritmo para executar um trabalho de treinamento ou um trabalho de ajuste de hiperparâmetros, você pode usar os artefatos de modelo gerados por esses trabalhos juntamente com o algoritmo para criar um pacote de modelos. Para mais informações, consulte [Criar um recurso de pacote de modelos](sagemaker-mkt-create-model-package.md).
**nota**
Se você assinar um algoritmo no AWS Marketplace, será necessário criar um pacote de modelo antes de poder usá-lo para obter inferências, criando um endpoint hospedado ou executando um trabalho de transformação em lote.
![\[Fluxo de trabalho do comprador no mercado.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/mkt-buyer-workflow.png)
Use pacotes de modelos para:
+ Criar modelos que você pode usar para obter inferência em tempo real ou executar trabalhos de transformação em lote. Para mais informações, consulte [Usar um pacote de modelos para criar um modelo](sagemaker-mkt-model-pkg-model.md).
+ Criar endpoints hospedados para obter inferência em tempo real. Para mais informações, consulte [Implante o modelo nos serviços de hospedagem de SageMaker IA](ex1-model-deployment.md#ex1-deploy-model).
+ Criar trabalhos de transformação em lote. Para mais informações, consulte [(Opcional) Faça predições com o Transformador de Lotes](ex1-model-deployment.md#ex1-batch-transform).
**Topics**
+ [Usar um algoritmo para executar um trabalho de treinamento](sagemaker-mkt-algo-train.md)
+ [Usar um algoritmo para executar um trabalho de ajuste de hiperparâmetros](sagemaker-mkt-algo-tune.md)
+ [Usar um pacote de modelos para criar um modelo](sagemaker-mkt-model-pkg-model.md)
# Usar um algoritmo para executar um trabalho de treinamento
Você pode criar e usar um recurso de algoritmo para criar um trabalho de treinamento usando o console Amazon SageMaker AI, a SageMaker API de baixo nível da Amazon ou o SDK do [Amazon SageMaker Python](https://sagemaker.readthedocs.io/en/stable).
**nota**
Sua função de execução deve ter `sagemaker:DescribeAlgorithm` permissão para o recurso de algoritmo que você especificar. Para obter mais informações sobre permissões de funções de execução, consulte[CreateTrainingJob API: Permissões da função de execução](sagemaker-roles.md#sagemaker-roles-createtrainingjob-perms).
**Topics**
+ [Usar um algoritmo para executar um trabalho de treinamento (console)](#sagemaker-mkt-algo-train-console)
+ [Usar um algoritmo para executar um trabalho de treinamento (API)](#sagemaker-mkt-algo-train-api)
+ [Use um algoritmo para executar um trabalho de treinamento ([Amazon SageMaker Python](https://sagemaker.readthedocs.io/en/stable) SDK)](#sagemaker-mkt-algo-train-sdk)
## Usar um algoritmo para executar um trabalho de treinamento (console)
**Para usar um algoritmo para executar um trabalho de treinamento (console)**
1. Abra o console de SageMaker IA em [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Escolha **Algoritmos**.
1. Escolha um algoritmo que você criou a partir da lista na guia **Meus algoritmos** ou escolha um algoritmo que você assinou na guia **AWS Marketplace assinaturas**.
1. Escolha **Criar trabalho de treinamento**.
O algoritmo escolhido será automaticamente selecionado.
1. Na página **Criar trabalho de treinamento**, forneça as seguintes informações:
1. Para **Nome do trabalho**, digite um nome para o trabalho de treinamento.
1. Para a **função IAM**, escolha uma função do IAM que tenha as permissões necessárias para executar trabalhos de treinamento em SageMaker IA ou escolha **Criar uma nova função** para permitir que a SageMaker IA crie uma função que tenha a política `AmazonSageMakerFullAccess` gerenciada anexada. Para mais informações, consulte [Como usar funções de execução de SageMaker IA](sagemaker-roles.md).
1. Para **Configuração de recursos**, forneça as seguintes informações:
1. Para **Tipo de instância**, escolha o tipo de instância a ser usado para treinamento.
1. Para **Contagem de instâncias**, digite o número de instâncias de ML a serem usadas no trabalho de treinamento.
1. Para **Volume adicional por instância (GB)**, digite o tamanho do volume de armazenamento de ML que você deseja provisionar. Volumes de armazenamento de ML armazenam artefatos de modelo e estados incrementais.
1. Para **Chave de criptografia**, se você quiser que a Amazon SageMaker AI use uma AWS chave do Key Management Service para criptografar dados no volume de armazenamento de ML anexado à instância de treinamento, especifique a chave.
1. Para **Condição de interrupção**, especifique o tempo máximo em segundos, minutos, horas ou dias que você deseja que o trabalho de treinamento seja executado.
1. Para **VPC**, escolha uma Amazon VPC que você deseja permitir que o seu contêiner de treinamento acesse. Para obter mais informações, consulte [Dê aos trabalhos de treinamento de SageMaker IA acesso aos recursos em sua Amazon VPC](train-vpc.md).
1. Para **Hiperparâmetros**, especifique os valores dos hiperparâmetros a serem usados para o trabalho de treinamento.
1. Para **Configuração dos dados de entrada**, especifique os seguintes valores para cada canal de dados de entrada a ser usado para o trabalho de treinamento. Você pode ver quais são os canais compatíveis pelo algoritmo usado para treinamento, o tipo de conteúdo compatível, o tipo de compressão com suporte e os modos de entrada com suporte para cada canal na seção **Especificação do canal** da página **Resumo do algoritmo** desse algoritmo.
1. Para **Nome do canal**, digite o nome do canal de entrada.
1. Para **Tipo de conteúdo**, digite o tipo de conteúdo dos dados que o algoritmo espera para o canal.
1. Para **Tipo de compactação**, escolha o tipo de compactação de dados a ser usado, se houver.
1. Para **Wrapper de registro**, escolha `RecordIO` se o algoritmo espera dados no formato `RecordIO`.
1. Para **Tipo de dados do S3**, **Tipo de distribuição de dados do S3** e **Localização do S3**, especifique os valores apropriados. Para obter informações sobre o significado desses 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. Para **Modo de entrada**, escolha **Arquivo** para fazer download dos dados do volume de armazenamento de ML provisionado e montar o diretório em um volume do Docker. Escolha **Pipe** para transmitir dados diretamente do Amazon S3 para o contêiner.
1. Para adicionar outro canal de entrada, escolha **Adicionar canal**. Se você terminou de adicionar canais de entrada, escolha **Concluído**.
1. Para a localização da **Saída**, especifique os seguintes valores:
1. Para **Caminho de saída do S3**, escolha a localização do S3 na qual o trabalho de treinamento armazena a saída, como artefatos de modelo.
**nota**
Você usa os artefatos de modelo armazenados nessa localização para criar um modelo ou um pacote de modelos a partir desse trabalho de treinamento.
1. Para a **chave de criptografia**, se você quiser que a SageMaker IA use uma AWS KMS chave para criptografar os dados de saída em repouso no local do S3.
1. Para **Tags**, especifique uma ou mais tags para gerenciar o trabalho de treinamento. Cada tag consiste em uma chave e um valor opcional. Chaves de tags devem ser exclusivas por recurso.
1. Escolha **Criar trabalho de treinamento** para executar o trabalho de treinamento.
## Usar um algoritmo para executar um trabalho de treinamento (API)
Para usar um algoritmo para executar um trabalho de treinamento usando a SageMaker API, especifique o nome ou o Amazon Resource Name (ARN) como o `AlgorithmName` campo do [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AlgorithmSpecification.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AlgorithmSpecification.html)objeto para o qual você passa. [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html) Para obter informações sobre modelos de treinamento em SageMaker IA, consulte[Treine um modelo com a Amazon SageMaker](how-it-works-training.md).
## Use um algoritmo para executar um trabalho de treinamento ([Amazon SageMaker Python](https://sagemaker.readthedocs.io/en/stable) SDK)
Use um algoritmo que você criou ou assinou AWS Marketplace para criar um trabalho de treinamento, criar um `AlgorithmEstimator` objeto e especificar o Amazon Resource Name (ARN) ou o nome do algoritmo como o valor do `algorithm_arn` argumento. Em seguida, chame o método `fit` do estimador. Por exemplo:
```
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})
```
# Usar um algoritmo para executar um trabalho de ajuste de hiperparâmetros
A seção a seguir explica como usar um recurso de algoritmo para executar um trabalho de ajuste de hiperparâmetros na Amazon SageMaker AI. Um trabalho de ajuste de hiperparâmetros localiza a melhor versão de um modelo, executando muitos trabalhos de treinamento no seu conjunto de dados com o uso do algoritmo e de intervalos de hiperparâmetros que você especifica. Em seguida, ele escolhe os valores de hiperparâmetros que resultam no modelo de melhor desempenho, conforme avaliado por uma métrica que você escolhe. Para obter mais informações, consulte [Ajuste automático do modelo com SageMaker IA](automatic-model-tuning.md).
Você pode criar e usar um recurso de algoritmo para criar um trabalho de ajuste de hiperparâmetros usando o console do Amazon SageMaker AI, a SageMaker API de baixo nível da Amazon ou o SDK do Amazon [Python SageMaker ](https://sagemaker.readthedocs.io/en/stable).
**Topics**
+ [Usar um algoritmo para executar um trabalho de ajuste de hiperparâmetros (console)](#sagemaker-mkt-algo-tune-console)
+ [Usar um algoritmo para executar um trabalho de ajuste de hiperparâmetros (API)](#sagemaker-mkt-algo-tune-api)
+ [Use um algoritmo para executar um trabalho de ajuste de hiperparâmetros ([Amazon SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable))](#sagemaker-mkt-algo-tune-sdk)
## Usar um algoritmo para executar um trabalho de ajuste de hiperparâmetros (console)
**Para usar um algoritmo para executar um trabalho de ajuste de hiperparâmetros (console)**
1. Abra o console de SageMaker IA em [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Escolha **Algoritmos**.
1. Escolha um algoritmo que você criou a partir da listagem na guia **Meus algoritmos** ou escolha um algoritmo que você assinou na guia **assinaturas AWS Marketplace **.
1. Escolha **Criar trabalho de ajuste de hiperparâmetros**.
O algoritmo escolhido será automaticamente selecionado.
1. Na página **Criar trabalho de ajuste de hiperparâmetros**, forneça as seguintes informações:
1. Para **Inicialização a quente**, escolha **Habilitar inicialização a quente** para usar as informações de trabalhos de ajuste de hiperparâmetros anteriores como ponto de partida para este trabalho de ajuste de hiperparâmetros. Para obter mais informações, consulte [Executar um trabalho de ajuste de hiperparâmetros de inicialização a quente](automatic-model-tuning-warm-start.md).
1. Escolha **Algoritmo e dados idênticos** se os dados de entrada forem os mesmos que os dados de entrada dos trabalhos pais desse trabalho de ajuste de hiperparâmetros, ou escolha **Transferir aprendizado** para usar dados de entrada adicionais ou diferentes para esse trabalho de ajuste de hiperparâmetros.
1. Para **Trabalhos de ajuste de hiperparâmetros principais**, escolha até 5 trabalhos de ajuste de hiperparâmetros a serem usados como pais nesse trabalho de ajuste de hiperparâmetros.
1. Para **Nome do trabalho de ajuste de hiperparâmetros**, digite um nome para o trabalho de ajuste.
1. Para a **função IAM**, escolha uma função do IAM que tenha as permissões necessárias para executar trabalhos de ajuste de hiperparâmetros na SageMaker IA ou escolha **Criar uma nova função** para permitir que a SageMaker IA crie uma função que tenha a política `AmazonSageMakerFullAccess` gerenciada anexada. Para mais informações, consulte [Como usar funções de execução de SageMaker IA](sagemaker-roles.md).
1. Para **VPC**, escolha uma Amazon VPC que você deseja permitir que os trabalhos de treinamento iniciados pelo trabalho ajuste acessem. Para obter mais informações, consulte [Dê aos trabalhos de treinamento de SageMaker IA acesso aos recursos em sua Amazon VPC](train-vpc.md).
1. Escolha **Próximo**.
1. Para **Métrica objetiva**, escolha a métrica usada pelo trabalho de ajuste de hiperparâmetros para determinar a melhor combinação de hiperparâmetros e escolha se deseja minimizar ou maximizar essa métrica. Para obter mais informações, consulte [Visualizar o melhor trabalho de treinamento](automatic-model-tuning-ex-tuning-job.md#automatic-model-tuning-best-training-job).
1. Para **Configuração dos hiperparâmetros**, escolha intervalos para os hiperparâmetros ajustáveis que você deseja que o trabalho de ajuste pesquise e defina valores estáticos para os hiperparâmetros que devem permanecer constantes em todos os trabalhos de treinamento iniciados pelo trabalho de ajuste de hiperparâmetros. Para obter mais informações, consulte [Definir intervalos de hiperparâmetros](automatic-model-tuning-define-ranges.md).
1. Escolha **Próximo**.
1. Para **Configuração dos dados de entrada**, especifique os seguintes valores para cada canal de dados de entrada a ser usado para o trabalho de ajuste de hiperparâmetros: Você pode ver quais são os canais compatíveis pelo algoritmo usado para ajuste de hiperparâmetros, o tipo de conteúdo, o tipo de compactação compatível e os modos de entrada compatível com cada canal, na seção **Especificação do canal** da página **Resumo do algoritmo** do algoritmo.
1. Para **Nome do canal**, digite o nome do canal de entrada.
1. Para **Tipo de conteúdo**, digite o tipo de conteúdo dos dados que o algoritmo espera para o canal.
1. Para **Tipo de compactação**, escolha o tipo de compactação de dados a ser usado, se houver.
1. Para **Wrapper de registro**, escolha `RecordIO` se o algoritmo espera dados no formato `RecordIO`.
1. Para **Tipo de dados do S3**, **Tipo de distribuição de dados do S3** e **Localização do S3**, especifique os valores apropriados. Para obter informações sobre o significado desses 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. Para **Modo de entrada**, escolha **Arquivo** para fazer download dos dados do volume de armazenamento de ML provisionado e montar o diretório em um volume do Docker. Escolha **Pipe** para transmitir dados diretamente do Amazon S3 para o contêiner.
1. Para adicionar outro canal de entrada, escolha **Adicionar canal**. Se você terminou de adicionar canais de entrada, escolha **Concluído**.
1. Para a localização da **Saída**, especifique os seguintes valores:
1. Para **Caminho de saída do S3**, escolha a localização do S3 na qual os trabalhos de treinamento iniciados por esse trabalho de ajuste de hiperparâmetros armazenam a saída, como artefatos de modelo.
**nota**
Você usa os artefatos de modelo armazenados nessa localização para criar um modelo ou um pacote de modelos a partir desse trabalho de ajuste de hiperparâmetros.
1. Para a **chave de criptografia**, se você quiser que a SageMaker IA use uma AWS KMS chave para criptografar os dados de saída em repouso no local do S3.
1. Para **Configuração de recursos**, forneça as seguintes informações:
1. Para **Tipo de instância**, escolha o tipo de instância a ser usado para cada trabalho de treinamento iniciado pelo trabalho de ajuste de hiperparâmetros.
1. Para **Contagem de instâncias**, digite o número de instâncias de ML a serem usadas para cada trabalho de treinamento iniciada pelo trabalho de ajuste de hiperparâmetros.
1. Para **Volume adicional por instância (GB)**, digite o tamanho do volume de armazenamento de ML no qual você deseja provisionar cada trabalho de treinamento iniciado pelo trabalho de ajuste de hiperparâmetros. Volumes de armazenamento de ML armazenam artefatos de modelo e estados incrementais.
1. Para a **chave de criptografia**, se você quiser que a Amazon SageMaker AI use uma AWS chave do Key Management Service para criptografar dados no volume de armazenamento de ML anexado às instâncias de treinamento, especifique a chave.
1. Para **Limites de recursos**, forneça as seguintes informações:
1. Para **Máximo de trabalhos de treinamento**, especifique o número máximo de trabalhos de treinamento que você deseja que o trabalho de ajuste de hiperparâmetros inicie. Um trabalho de ajuste de hiperparâmetros pode iniciar no máximo 500 trabalhos de treinamento.
1. Para **Máximo de trabalhos de treinamento paralelos**, especifique o número máximo de trabalhos de treinamento simultâneos que o trabalho de ajuste de hiperparâmetros pode iniciar. Um trabalho de ajuste de hiperparâmetros pode iniciar no máximo 10 trabalhos de treinamento simultâneos.
1. Para **Condição de interrupção**, especifique o tempo máximo em segundos, minutos, horas ou dias durante o qual você deseja que cada trabalho de treinamento iniciado pelo trabalho de ajuste de hiperparâmetros seja executado.
1. Para **Tags**, especifique uma ou mais tags para gerenciar o trabalho de ajuste de hiperparâmetros. Cada tag consiste em uma chave e um valor opcional. Chaves de tags devem ser exclusivas por recurso.
1. Escolha **Criar trabalhos** para executar o trabalho de ajuste de hiperparâmetros.
## Usar um algoritmo para executar um trabalho de ajuste de hiperparâmetros (API)
Para usar um algoritmo para executar um trabalho de ajuste de hiperparâmetros usando a SageMaker API, especifique o nome ou o Amazon Resource Name (ARN) do algoritmo como o campo `AlgorithmName` do objeto para [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AlgorithmSpecification.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AlgorithmSpecification.html)o qual você passa. [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateHyperParameterTuningJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateHyperParameterTuningJob.html) Para obter informações sobre o ajuste de hiperparâmetros na SageMaker IA, consulte[Ajuste automático do modelo com SageMaker IA](automatic-model-tuning.md).
## Use um algoritmo para executar um trabalho de ajuste de hiperparâmetros ([Amazon SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable))
Use um algoritmo que você criou ou assinou AWS Marketplace para criar um trabalho de ajuste de hiperparâmetros, criar um `AlgorithmEstimator` objeto e especificar o Amazon Resource Name (ARN) ou o nome do algoritmo como o valor do argumento. `algorithm_arn` Em seguida, inicialize um objeto `HyperparameterTuner` com o `AlgorithmEstimator` que você criou como o valor do argumento `estimator`. Por fim, chame o método `fit` do `AlgorithmEstimator`. Por exemplo:
```
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()
```
# Usar um pacote de modelos para criar um modelo
Use um pacote de modelos para criar um modelo implantável que possa ser usado para obter inferências em tempo real criando um endpoint hospedado ou para executar trabalhos de transformação em lote. Você pode criar um modelo implantável a partir de um pacote de modelos usando o console Amazon SageMaker AI, a SageMaker API de baixo nível) ou o SDK do Amazon [Python SageMaker ](https://sagemaker.readthedocs.io/en/stable).
**Topics**
+ [Usar um pacote de modelos para criar um modelo (console)](#sagemaker-mkt-model-pkg-model-console)
+ [Usar um pacote de modelos para criar um modelo (API)](#sagemaker-mkt-model-pkg-model-api)
+ [Use um Model Package para criar um modelo ([Amazon SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable))](#sagemaker-mkt-model-pkg-model-sdk)
## Usar um pacote de modelos para criar um modelo (console)
**Para criar um modelo implantável a partir de um pacote de modelos (console)**
1. Abra o console de SageMaker IA em [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Escolha **Pacotes de modelos**.
1. Escolha um pacote de modelo que você criou na lista na guia **Meus pacotes de modelo** ou escolha um pacote de modelo que você assinou na guia de **AWS Marketplace assinaturas**.
1. Escolha **Criar modelo**.
1. Em **Nome do modelo**, digite um nome para o modelo.
1. Para a **função IAM**, escolha uma função do IAM que tenha as permissões necessárias para chamar outros serviços em seu nome ou escolha **Criar uma nova função** para permitir que a SageMaker IA crie uma função que tenha a política `AmazonSageMakerFullAccess` gerenciada anexada. Para mais informações, consulte [Como usar funções de execução de SageMaker IA](sagemaker-roles.md).
1. Para **VPC**, escolha uma Amazon VPC que você deseja permitir que o modelo acesse. Para obter mais informações, consulte [Dê aos endpoints hospedados por SageMaker IA acesso aos recursos em sua Amazon VPC](host-vpc.md).
1. Deixe os valores padrão para **Opções de entrada de contêiner** e **Escolher pacote de modelos**.
1. Para variáveis de ambiente, forneça os nomes e valores das variáveis de ambiente que você deseja transmitir ao contêiner do modelo.
1. Para **Tags**, especifique uma ou mais tags para gerenciar o modelo. Cada tag consiste em uma chave e um valor opcional. Chaves de tags devem ser exclusivas por recurso.
1. Escolha **Criar modelo**.
Depois de criar um modelo implantável, você pode usá-lo para configurar um endpoint para inferência em tempo real ou para criar um trabalho de transformação em lote para obter inferências em conjuntos de dados inteiros. Para obter informações sobre hospedagem de endpoints na SageMaker IA, consulte [Implantar modelos para inferência](https://docs.aws.amazon.com/sagemaker/latest/dg/deploy-model.html).
## Usar um pacote de modelos para criar um modelo (API)
Para usar um pacote de modelo para criar um modelo implantável usando a SageMaker API, especifique o nome ou o Amazon Resource Name (ARN) do pacote de modelo como `ModelPackageName` o campo do [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_ContainerDefinition.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_ContainerDefinition.html)objeto que você passa para a [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateModel.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateModel.html)API.
Depois de criar um modelo implantável, você pode usá-lo para configurar um endpoint para inferência em tempo real ou para criar um trabalho de transformação em lote para obter inferências em conjuntos de dados inteiros. Para obter informações sobre endpoints hospedados na SageMaker IA, consulte [Implantar modelos para inferência](https://docs.aws.amazon.com/sagemaker/latest/dg/deploy-model.html).
## Use um Model Package para criar um modelo ([Amazon SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable))
Para usar um pacote de modelo para criar um modelo implantável usando o SDK SageMaker AI Python, inicialize `ModelPackage` um objeto e passe o Amazon Resource Name (ARN) do pacote do modelo como argumento. `model_package_arn` Por exemplo:
```
from sagemaker import ModelPackage
model = ModelPackage(role='SageMakerRole',
model_package_arn='training-job-scikit-decision-trees-1542660466-6f92',
sagemaker_session=sagemaker_session)
```
Depois de criar um modelo implantável, você pode usá-lo para configurar um endpoint para inferência em tempo real ou para criar um trabalho de transformação em lote para obter inferências em conjuntos de dados inteiros. Para obter informações sobre hospedagem de endpoints na SageMaker IA, consulte [Implantar modelos para inferência](https://docs.aws.amazon.com/sagemaker/latest/dg/deploy-model.html).