本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。
示例和更多信息：使用自己的算法或模型
以下 Jupyter 笔记本和新增信息展示了如何使用您自己的算法或来自 Ama SageMaker zon 笔记本实例的预训练模型。有关包含预建的 Dockerfiles、 TensorFlow mxNet、Chainer 和 PyTorch框架的 GitHub存储库的链接，以及使用 适用于 Python (Boto3) 的 AWS SDK 估算器在 AI Learner 上运行自己的训练算法和在 SageMaker AI 托管上运行自己的模型的说明，请参阅 SageMaker 用于深度学习的预构建 SageMaker AI Docker 镜像
设置
-
创建 SageMaker 笔记本实例。有关如何创建和访问 Jupyter 笔记本实例的说明，请参阅 Amazon SageMaker 笔记本实例。
-
打开您创建的笔记本实例。
-
选择 A SageMaker I 示例选项卡，查看所有 SageMaker AI 示例笔记本的列表。
-
从笔记本实例的 “高级功能” 部分或 GitHub 使用提供的链接打开示例笔记本。要打开笔记本，请选择其 Use (使用) 选项卡，然后选择 Create copy (创建副本)。
接受过训练的主机模型 Scikit-learn
要了解如何通过将模型注入第一方 k 均 Scikit-learn 值和 xgBoost 容器来托管经过训练以便在 SageMaker AI 中进行预测的模型，请参阅以下示例笔记本。
用于 SageMaker AI 的 Package TensorFlow 和 Scikit-learn 模型
要了解如何打包你开发的算法 TensorFlow 和 scikit-learn 框架，以便在 SageMaker AI 环境中进行训练和部署，请参阅以下笔记本。这些笔记本向您展示了如何使用 Dockerfile 构建、注册和部署您自己的 Docker 容器。
在 SageMaker AI 上训练和部署神经网络
要了解如何使用 MxNet 或在本地训练神经网络 TensorFlow，然后根据训练过的模型创建端点并将其部署在 SageMaker AI 上，请参阅以下笔记本。MXNet 模型经过训练，可以识别 MNIST 数据集中的手写数字。 TensorFlow 模型经过训练，可以对虹膜进行分类。
使用管道模式进行训练
要了解如何使用 Dockerfile 构建调用 train.py script 的容器并使用管道模式自定义算法的训练，请参阅以下笔记本。在管道模式下，输入数据在训练时传输到算法。与使用文件模式相比，这可以减少训练时间。
自带 R 模型
要了解如何添加自定义 R 映像以在 AWS SMS
笔记本中构建和训练模型，请参阅以下博客文章。这篇博客文章使用了 SageMaker AI Studio Classic 自定义图像
扩展预建 PyTorch 容器镜像
要了解当您的算法或模型有其他功能要求且预构建的 Docker 镜像不支持时，如何扩展预构建的 SageMaker AI PyTorch 容器镜像，请参阅以下笔记本。
有关扩展容器的更多信息，请参阅扩展 Pre-built容器。
在自定义容器上训练和调试训练作业
要了解如何使用调试 SageMaker 器训练和调试训练作业，请参阅以下笔记本。通过此示例提供的训练脚本使用 TensorFlow Keras ResNet 50 模型和 CIFAR10 数据集。Docker 自定义容器使用训练脚本构建并推送至 Amazon ECR。在训练作业运行期间，Debugger 会收集张量输出并识别调试问题。使用 smdebug 客户端库工具，您可以设置 smdebug 试用对象，该对象调用训练作业和调试信息，检查训练和 Debugger 规则状态，并检索 Amazon S3 存储桶中保存的张量以分析训练问题。
