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。
# Studio 经典版 SageMaker JumpStart 中的亚马逊
**重要**
截至 2023 年 11 月 30 日，之前的亚马逊 SageMaker Studio 体验现在被命名为 Amazon St SageMaker udio Classic。以下部分专门介绍如何使用 Studio Classic 应用程序。有关使用更新的 Studio 体验的信息，请参阅 [亚马逊 SageMaker Studio](studio-updated.md)。
Studio Classic 仍针对现有工作负载进行维护，但不再可供入门使用。您只能停止或删除现有的 Studio Classic 应用程序，不能创建新的应用程序。我们建议您将[工作负载迁移到全新 Studio 体验](studio-updated-migrate.md)。
以下 JumpStart 功能仅在 Amazon SageMaker Studio 经典版中可用。
+ [特定于任务的模型](jumpstart-models.md)
+ [共享模型和笔记本](jumpstart-content-sharing.md)
+ [End-to-end JumpStart 解决方案模板](jumpstart-solutions.md)
+ [亚马逊 SageMaker JumpStart 行业：金融](studio-jumpstart-industry.md)
# 特定于任务的模型
JumpStart 支持十五种最流行的问题类型的任务特定模型。在支持的问题类型中，共有十三种类型与视觉和 NLP 相关。有八种问题类型支持增量训练和微调。有关增量训练和超参数调整的更多信息，请参阅 [SageMaker AI 自动模型](https://docs.aws.amazon.com/sagemaker/latest/dg/automatic-model-tuning.html)调整。 JumpStart 还支持四种常用的表格数据建模算法。
您可以从 Studio 或 Studio Classic 的 JumpStart 登录页面搜索和浏览模特。当您选择模型时，模型详细信息页面会提供有关该模型的信息，您可以通过几个步骤来训练和部署模型。描述部分介绍了您可以通过模型完成的任务、预期的输入和输出类型以及微调模型所需的数据类型。
您还可以通过 [SageMaker Python 软件开发工具包](https://sagemaker.readthedocs.io/en/stable/overview.html#use-prebuilt-models-with-sagemaker-jumpstart)以编程方式使用模型。有关所有可用型号的列表，请参阅[JumpStart可用型号表](https://sagemaker.readthedocs.io/en/v2.132.0/doc_utils/pretrainedmodels.html)。
下表汇总了问题类型列表及其示例 Jupyter 笔记本的链接。
| 问题类型 | 支持使用预训练模型进行推理 | 可在自定义数据集上训练 | 支持的框架 | 示例笔记本 |
| --- | --- | --- | --- | --- |
| 图像分类 | 支持 | 是 | PyTorch, TensorFlow | [简介 JumpStart -图像分类](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_image_classification/Amazon_JumpStart_Image_Classification.ipynb) |
| 对象检测 | 支持 | 是 | PyTorch, TensorFlow, MXNet | [简介 JumpStart -物体检测](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_object_detection/Amazon_JumpStart_Object_Detection.ipynb) |
| 语义分割 | 支持 | 是 | MXNet | [简介 JumpStart -语义分割](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_semantic_segmentation/Amazon_JumpStart_Semantic_Segmentation.ipynb) |
| 实例分段 | 支持 | 是 | MXNet | [简介 JumpStart -实例分割](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_instance_segmentation/Amazon_JumpStart_Instance_Segmentation.ipynb) |
| 图像嵌入 | 是 | 否 | TensorFlow, MXNet | [简介 JumpStart -图像嵌入](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_image_embedding/Amazon_JumpStart_Image_Embedding.ipynb) |
| 文本分类 | 支持 | 是 | TensorFlow | [简介 JumpStart -文本分类](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_text_classification/Amazon_JumpStart_Text_Classification.ipynb) |
| 句子对分类 | 支持 | 是 | TensorFlow，Hugging Face | [简介 JumpStart -句子对分类](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_sentence_pair_classification/Amazon_JumpStart_Sentence_Pair_Classification.ipynb) |
| 问题回答 | 支持 | 是 | PyTorch，Hugging Face | [简介 JumpStart — 问题解答](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_question_answering/Amazon_JumpStart_Question_Answering.ipynb) |
| 指定实体识别 | 是 | 否 | Hugging Face | [简介 JumpStart -命名实体识别](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_named_entity_recognition/Amazon_JumpStart_Named_Entity_Recognition.ipynb) |
| 文本摘要 | 是 | 否 | Hugging Face | [简介 JumpStart -文本摘要](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_text_summarization/Amazon_JumpStart_Text_Summarization.ipynb) |
| 文本生成 | 是 | 否 | Hugging Face | [简介 JumpStart -文本生成](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_text_generation/Amazon_JumpStart_Text_Generation.ipynb) |
| 机器翻译 | 是 | 否 | Hugging Face | [简介 JumpStart -机器翻译](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_machine_translation/Amazon_JumpStart_Machine_Translation.ipynb) |
| 文本嵌入 | 是 | 否 | TensorFlow, MXNet | [简介 JumpStart -文本嵌入](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_text_embedding/Amazon_JumpStart_Text_Embedding.ipynb) |
| 表格分类 | 支持 | 是 | LightGBM、、 AutoGluon-Tabular CatBoost、 XGBoost、Linear Learner TabTransformer | [简介 JumpStart ——表格分类——LightGBM， CatBoost](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/lightgbm_catboost_tabular/Amazon_Tabular_Classification_LightGBM_CatBoost.ipynb) [简介 JumpStart -表格分类- XGBoost，线性学习器](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/xgboost_linear_learner_tabular/Amazon_Tabular_Classification_XGBoost_LinearLearner.ipynb) [简介 JumpStart -表格分类-学员 AutoGluon](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/autogluon_tabular/Amazon_Tabular_Classification_AutoGluon.ipynb) [简介 JumpStart -表格分类-学员 TabTransformer](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/tabtransformer_tabular/Amazon_Tabular_Classification_TabTransformer.ipynb) |
| 表格回归 | 支持 | 是 | LightGBM、、 AutoGluon-Tabular CatBoost、 XGBoost、Linear Learner TabTransformer | [简介 JumpStart ——表格回归——lightGBM， CatBoost](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/lightgbm_catboost_tabular/Amazon_Tabular_Regression_LightGBM_CatBoost.ipynb) [简介 JumpStart — 表格回归- XGBoost，线性学习器](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/xgboost_linear_learner_tabular/Amazon_Tabular_Regression_XGBoost_LinearLearner.ipynb) [简介 JumpStart — 表格回归-学员 AutoGluon ](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/autogluon_tabular/Amazon_Tabular_Regression_AutoGluon.ipynb) [简介 JumpStart — 表格回归-学员 TabTransformer](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/tabtransformer_tabular/Amazon_Tabular_Regression_TabTransformer.ipynb) |
# 部署模型
当您从部署模型时 JumpStart， SageMaker AI 会托管模型并部署可用于推理的终端节点。 JumpStart 还提供了一个示例笔记本，您可以在部署模型后使用它来访问模型。
**重要**
截至 2023 年 11 月 30 日，之前的亚马逊 SageMaker Studio 体验现在被命名为 Amazon St SageMaker udio Classic。以下部分专门介绍如何使用 Studio Classic 应用程序。有关使用更新的 Studio 体验的信息，请参阅 [亚马逊 SageMaker Studio](studio-updated.md)。
Studio Classic 仍针对现有工作负载进行维护，但不再可供入门使用。您只能停止或删除现有的 Studio Classic 应用程序，不能创建新的应用程序。我们建议您将[工作负载迁移到全新 Studio 体验](studio-updated-migrate.md)。
**注意**
有关在 Studio 中部署 JumpStart 模型的更多信息，请参阅 [在 Studio 中部署模型](jumpstart-foundation-models-use-studio-updated-deploy.md)
## 模型部署配置
选择模型后，将打开该模型的选项卡。在**部署模型**窗格中，选择**部署配置**以配置您的模型部署。
![\[The Deploy Model pane.\]](http://docs.aws.amazon.com/zh_cn/sagemaker/latest/dg/images/jumpstart/jumpstart-deploy.png)
用于部署模型的默认实例类型取决于模型。实例类型是运行训练作业的硬件。在以下示例中，`ml.p2.xlarge` 实例默认用于此特定 BERT 模型。
您还可以更改终端节点名称、添加`key;value`资源标签、激活或停用与模型相关的任何 JumpStart 资源`jumpstart-`的前缀，以及指定用于存储 A SageMaker I 终端节点使用的模型项目的 Amazon S3 存储桶。
![\[JumpStart Deploy Model pane with Deployment Configuration open to select its settings.\]](http://docs.aws.amazon.com/zh_cn/sagemaker/latest/dg/images/jumpstart/jumpstart-deploy-config.png)
选择**安全设置**为模型指定 AWS Identity and Access Management (IAM) 角色、Amazon Virtual Private Cloud (Amazon VPC) 和加密密钥。
![\[JumpStart Deploy Model pane with Security Settings open to select its settings.\]](http://docs.aws.amazon.com/zh_cn/sagemaker/latest/dg/images/jumpstart/jumpstart-deploy-security.png)
## 模型部署安全
使用部署模型时 JumpStart，您可以为模型指定 IAM 角色、Amazon VPC 和加密密钥。没有为这些条目指定任何值时：默认 IAM 角色是您的 Studio Classic 运行时系统角色；使用默认加密方法；不使用 Amazon VPC。
### IAM 角色
您可以选择在培训作业和托管作业中传递的 IAM 角色。 SageMaker AI 使用此角色来访问训练数据和模型工件。如果您未选择 IAM 角色，A SageMaker I 将使用您的 Studio Classic 运行时角色部署模型。有关 IAM 角色的更多信息，请参阅 [AWS Identity and Access Management 适用于亚马逊 A SageMaker I](security-iam.md)。
您传递的角色必须有权访问模型所需的资源，并且必须具备以下所有权限。
+ 对于训练作业：[CreateTrainingJob API：执行角色权限](https://docs.aws.amazon.com//sagemaker/latest/dg/sagemaker-roles.html#sagemaker-roles-createtrainingjob-perms)。
+ 对于托管作业：[CreateModel API：执行角色权限](https://docs.aws.amazon.com//sagemaker/latest/dg/sagemaker-roles.html#sagemaker-roles-createmodel-perms)。
**注意**
您可以缩小在以下每个角色中授予的 Amazon S3 权限的范围。使用您的亚马逊简单存储服务 (Amazon S3) 存储桶的 ARN 和 Amazon S3 存储桶来执行此操作。 JumpStart
```
[
{
"Effect": "Allow",
"Action": [
"s3:GetObject",
"s3:ListBucket"
],
"Resource": [
"arn:aws:s3:::jumpstart-cache-prod-/*",
"arn:aws:s3:::jumpstart-cache-prod-",
"arn:aws:s3:::/*"
]
},
{
"Effect": "Allow",
"Action": [
"cloudwatch:PutMetricData",
"logs:CreateLogStream",
"logs:PutLogEvents",
"logs:CreateLogGroup",
"logs:DescribeLogStreams",
"ecr:GetAuthorizationToken"
],
"Resource": [
"*"
]
},
{
"Effect": "Allow",
"Action": [
"ecr:BatchGetImage",
"ecr:BatchCheckLayerAvailability",
"ecr:GetDownloadUrlForLayer"
],
"Resource": [
"*"
]
},
]
}
```
**查找 IAM 角色**
如果您选择此选项，则必须从下拉列表中选择一个现有 IAM 角色。
![\[JumpStart Security Settings IAM section with Find IAM role selected.\]](http://docs.aws.amazon.com/zh_cn/sagemaker/latest/dg/images/jumpstart/jumpstart-deploy-security-findiam.png)
**输入 IAM 角色**
如果您选择此选项，则必须手动输入现有 IAM 角色的 ARN。如果您的 Studio Classic 运行时系统角色或 Amazon VPC 阻止了 `iam:list* ` 调用，则必须通过此选项来使用现有的 IAM 角色。
![\[JumpStart Security Settings IAM section with Input IAM role selected.\]](http://docs.aws.amazon.com/zh_cn/sagemaker/latest/dg/images/jumpstart/jumpstart-deploy-security-inputiam.png)
### Amazon VPC
所有 JumpStart 模型均在网络隔离模式下运行。创建模型容器后，就无法再进行调用。您可以选择在训练作业和托管作业中通过的 Amazon VPC。 SageMaker AI 使用此 Amazon VPC 从您的 Amazon S3 存储桶中推送和提取资源。此 Amazon VPC 不同于限制从您的 Studio Classic 实例访问公共互联网的 Amazon VPC。有关 Studio Classic Amazon VPC 的更多信息，请参阅 [将 VPC 中的 Studio 笔记本连接到外部资源](studio-notebooks-and-internet-access.md)。
您传递的 Amazon VPC 不需要访问公共互联网，但它需要能够访问 Amazon S3。用于 Amazon S3 的 Amazon VPC 端点必须至少允许访问模型所需的以下资源。
```
{
"Effect": "Allow",
"Action": [
"s3:GetObject",
"s3:PutObject",
"s3:ListMultipartUploadParts",
"s3:ListBucket"
],
"Resources": [
"arn:aws:s3:::jumpstart-cache-prod-/*",
"arn:aws:s3:::jumpstart-cache-prod-",
"arn:aws:s3:::bucket/*"
]
}
```
如果您未选择 Amazon VPC，则不使用 Amazon VPC。
**查找 VPC**
如果您选择此选项，则必须从下拉列表中选择一个现有 Amazon VPC。选择 Amazon VPC 后，您必须为 Amazon VPC 选择子网和安全组。有关子网和安全组的更多信息，请参阅[ VPCs和子网概述](https://docs.aws.amazon.com//vpc/latest/userguide/VPC_Subnets.html)。
![\[JumpStart Security Settings VPC section with Find VPC selected.\]](http://docs.aws.amazon.com/zh_cn/sagemaker/latest/dg/images/jumpstart/jumpstart-deploy-security-findvpc.png)
**输入 VPC**
如果您选择此选项，则必须手动选择构成您的 Amazon VPC 的子网和安全组。如果 Studio Classic 运行时系统角色或 Amazon VPC 阻止了 `ec2:list*` 调用，则您必须使用此选项来选择子网和安全组。
![\[JumpStart Security Settings VPC section with Input VPC selected.\]](http://docs.aws.amazon.com/zh_cn/sagemaker/latest/dg/images/jumpstart/jumpstart-deploy-security-inputvpc.png)
### 加密密钥
您可以选择在训练作业和托管作业中传递的 AWS KMS 密钥。 SageMaker AI 使用此密钥加密容器的 Amazon EBS 卷，并使用 Amazon S3 中重新打包的模型来托管任务和训练作业的输出。有关 AWS KMS 密钥的更多信息，请参阅[AWS KMS 密钥](https://docs.aws.amazon.com//kms/latest/developerguide/concepts.html#kms_keys)。
您传递的密钥必须信任您传递的 IAM 角色。如果您未指定 IAM 角色，则该 AWS KMS 密钥必须信任您的 Studio Classic 运行时角色。
如果您不选择 AWS KMS 密钥， SageMaker AI 会为 Amazon EBS 卷和 Amazon S3 项目中的数据提供默认加密。
**查找加密密钥**
如果选择此选项，则必须从下拉列表中选择现有 AWS KMS 密钥。
![\[JumpStart Security Settings encryption section with Find encryption keys selected.\]](http://docs.aws.amazon.com/zh_cn/sagemaker/latest/dg/images/jumpstart/jumpstart-deploy-security-findencryption.png)
**输入加密密钥**
如果选择此选项，则必须手动输入 AWS KMS 密钥。如果您的 Studio Classic 执行角色或 Amazon VPC 阻止了`kms:list* `呼叫，则必须使用此选项来选择现有 AWS KMS 密钥。
![\[JumpStart Security Settings encryption section with Input encryption keys selected.\]](http://docs.aws.amazon.com/zh_cn/sagemaker/latest/dg/images/jumpstart/jumpstart-deploy-security-inputencryption.png)
## 为 JumpStart 模型配置默认值
您可以为 IAM 角色和 KMS 密钥等参数配置默认值 VPCs，以便为 JumpStart 模型部署和训练进行预填充。配置默认值后，Studio Classic UI 会自动向 JumpStart 模型提供您指定的安全设置和标签，以简化部署和训练工作流程。管理员和最终用户可以初始化 YAML 格式的配置文件中的默认值。
默认情况下， SageMaker Python SDK 使用两个配置文件：一个用于管理员，另一个用于用户。使用管理员配置文件，管理员可以定义一组默认值。最终用户可以使用用户配置文件来覆盖在管理员配置文件中设置的值，并设置其他默认值。有关更多信息，请参阅[默认配置文件位置](https://sagemaker.readthedocs.io/en/stable/overview.html#default-configuration-file-location)。
以下代码示例列出了在 Amazon SageMaker Studio Classic 中使用 SageMaker Python 软件开发工具包时配置文件的默认位置。
```
# Location of the admin config file
/etc/xdg/sagemaker/config.yaml
# Location of the user config file
/root/.config/sagemaker/config.yaml
```
在用户配置文件中指定的值会覆盖在管理员配置文件中设置的值。在 Amazon A SageMaker I 域中，每个用户个人资料的配置文件都是唯一的。用户配置文件的 Studio Classic 应用程序与用户配置文件关联。有关更多信息，请参阅 [域用户配置文件](domain-user-profile.md)。
管理员可以选择通过`JupyterServer`生命周期配置为 JumpStart 模型训练和部署设置默认配置。有关更多信息，请参阅 [创建生命周期配置并将其与 Amazon SageMaker Studio Classic 关联](studio-lcc-create.md)。
### 默认值配置 YAML 文件
您的配置文件应符合 P SageMaker ython SDK [配置文件结构](https://sagemaker.readthedocs.io/en/stable/overview.html#configuration-file-structure)。请注意，`TrainingJob``Model`、和`EndpointConfig`配置中的特定字段适用于 JumpStart 模型训练和部署默认值。
```
SchemaVersion: '1.0'
SageMaker:
TrainingJob:
OutputDataConfig:
KmsKeyId: example-key-id
ResourceConfig:
# Training configuration - Volume encryption key
VolumeKmsKeyId: example-key-id
# Training configuration form - IAM role
RoleArn: arn:aws:iam::123456789012:role/SageMakerExecutionRole
VpcConfig:
# Training configuration - Security groups
SecurityGroupIds:
- sg-1
- sg-2
# Training configuration - Subnets
Subnets:
- subnet-1
- subnet-2
# Training configuration - Custom resource tags
Tags:
- Key: Example-key
Value: Example-value
Model:
EnableNetworkIsolation: true
# Deployment configuration - IAM role
ExecutionRoleArn: arn:aws:iam::123456789012:role/SageMakerExecutionRole
VpcConfig:
# Deployment configuration - Security groups
SecurityGroupIds:
- sg-1
- sg-2
# Deployment configuration - Subnets
Subnets:
- subnet-1
- subnet-2
EndpointConfig:
AsyncInferenceConfig:
OutputConfig:
KmsKeyId: example-key-id
DataCaptureConfig:
# Deployment configuration - Volume encryption key
KmsKeyId: example-key-id
KmsKeyId: example-key-id
# Deployment configuration - Custom resource tags
Tags:
- Key: Example-key
Value: Example-value
```
# 微调模型
微调过程在新数据集上训练已经预训练的模型，而无需从头开始训练。这个过程也称为转移学习，可以使用较小数据集和较短的训练时间生成准确模型。如果模型的卡片显示**可微调**属性设置为**是**，则可以对其进行微调。
![\[JumpStart fine-tunable Image Classification - TensorFlow model\]](http://docs.aws.amazon.com/zh_cn/sagemaker/latest/dg/images/jumpstart/jumpstart-finetune-model.png)
**重要**
截至 2023 年 11 月 30 日，之前的亚马逊 SageMaker Studio 体验现在被命名为 Amazon St SageMaker udio Classic。以下部分专门介绍如何使用 Studio Classic 应用程序。有关使用更新的 Studio 体验的信息，请参阅 [亚马逊 SageMaker Studio](studio-updated.md)。
Studio Classic 仍针对现有工作负载进行维护，但不再可供入门使用。您只能停止或删除现有的 Studio Classic 应用程序，不能创建新的应用程序。我们建议您将[工作负载迁移到全新 Studio 体验](studio-updated-migrate.md)。
**注意**
有关在 Studio 中微调 JumpStart 模型的更多信息，请参阅 [在 Studio 中微调模型](jumpstart-foundation-models-use-studio-updated-fine-tune.md)
## 微调数据来源
在微调模型时，您可以使用默认数据集或选择自己的数据，该数据位于 Amazon S3 存储桶中。
要浏览可供您使用的存储桶，请选择**查找 S3 存储桶**。这些存储桶受用于设置 Studio Classic 帐户的权限的限制。您也可以通过选择**输入 Amazon S3 存储桶位置**来指定 Amazon S3 URI。
![\[JumpStart data source settings with default dataset selected.\]](http://docs.aws.amazon.com/zh_cn/sagemaker/latest/dg/images/jumpstart/jumpstart-dataset.png)
**提示**
要了解如何格式化存储桶中的数据，请选择**了解更多**。模型的描述部分还提供了有关输入和输出的详细信息。
对于文本模型：
+ 存储桶必须具有 data.csv 文件。
+ 第一列必须是用于类标签的唯一整数。例如，`1`、`2`、`3`、`4`、`n`
+ 第二列必须是字符串。
+ 第二列应包含与模型的类型和语言相符的对应文本。
对于视觉模型：
+ 存储桶中的子目录数量必须与类数相同。
+ 每个子目录都应包含属于该类的 .jpg 格式的图像。
**注意**
Amazon S3 存储桶必须与您运行 SageMaker Studio Classic 的 AWS 区域 位置相同，因为 SageMaker AI 不允许跨区域请求。
## 微调部署配置
p3 系列是用于深度学习训练最快的系列，建议用于微调模型。下图显示了每种实例类型 GPUs 中的数量。还有其他可供选择的选项，包括 p2 和 g4 实例类型。
| 实例类型 | GPUs |
| --- | --- |
| p3.2xlarge | 1 |
| p3.8xlarge | 4 |
| p3.16xlarge | 8 |
| p3dn.24xlarge | 8 |
## 超参数
您可以自定义用于微调模型的训练作业的超参数。每个可微调模型的可用超参数因模型而异。有关每个可用超参数的信息，请参阅您在[Amazon 中的内置算法和预训练模型 SageMaker](algos.md)中选择的模型的超参数文档。例如，有关可微调[图像分类- TensorFlow 超参数](IC-TF-Hyperparameter.md)的图像分类- TensorFlow 超参数的详细信息，请参阅。
如果您在不更改超参数的情况下将默认数据集用于文本模型，则会得到几乎相同的模型。对于视觉模型，默认数据集与预训练模型在训练时使用的数据集不同，因此您的模型也会不同。
以下超参数在模型中很常见：
+ **纪元** – 一个纪元是遍历整个数据集的一个周期。通过多个时间间隔完成一个批次，通过多个批次最终完成一个纪元。系统运行多个纪元，直到模型的准确性达到可接受的水平，或者说当错误率降至可接受的水平以下时。
+ **学习率** – 各个纪元之间应该变化的值的数量。随着模型的优化，其内部权重将被调整，并检查错误率以确定模型是否有所改善。典型的学习率为 0.1 或 0.01，其中 0.01 是一个小得多的调整，可能会导致训练需要很长时间才能收敛，而 0.1 则要大得多，可能会导致训练过度。这是在训练模型时可能会调整的主要超参数之一。请注意，对于文本模型，小得多的学习率（BERT 为 5e-5）可以生成更准确的模型。
+ **Batch siz** e — 要从数据集中为每个间隔选择的记录数量，然后发送到 GPUs 进行训练。
在图像示例中，您可以向每个 GPU 发送 32 张图像，所以批次大小是 32。如果您选择具有多个 GPU 的实例类型，则批次将除以数量 GPUs。建议的批次大小因数据和所使用的模型而异。例如，针对图像数据进行优化的方式与处理语言数据的方式不同。
在部署配置部分的实例类型图表中，您可以看到 GPUs 每种实例类型的数量。从推荐的标准批次大小开始（例如，对于视觉模型为 32）。然后，将其乘以您选择的实例类型 GPUs 中的数量。例如，如果您使用的是`p3.8xlarge`，则这将是 32（批次大小）乘以 4 (GPUs)，总共为 128，因为批量大小会根据数量进行调整。 GPUs对于 BERT 这样的文本模型，请尝试从批次大小 64 开始，然后根据需要减少。
## 训练输出
微调过程完成后， JumpStart 提供有关模型的信息：父模型、训练作业名称、训练作业 ARN、训练时间和输出路径。输出路径是您在 Amazon S3 存储桶中可以找到新模型的位置。文件夹结构使用您提供的模型名称，模型文件位于 `/output` 子文件夹内，其名称始终为 `model.tar.gz`。
示例：`s3://bucket/model-name/output/model.tar.gz`
## 配置模型训练的默认值
您可以为 IAM 角色和 KMS 密钥等参数配置默认值 VPCs，以便为 JumpStart 模型部署和训练进行预填充。有关更多信息，请参阅[为 JumpStart 模型配置默认值](jumpstart-deploy.md#jumpstart-config-defaults)。
# 共享模式
**重要**
截至 2023 年 11 月 30 日，之前的亚马逊 SageMaker Studio 体验现在被命名为 Amazon St SageMaker udio Classic。以下部分专门介绍如何使用 Studio Classic 应用程序。有关使用更新的 Studio 体验的信息，请参阅 [亚马逊 SageMaker Studio](studio-updated.md)。
Studio Classic 仍针对现有工作负载进行维护，但不再可供入门使用。您只能停止或删除现有的 Studio Classic 应用程序，不能创建新的应用程序。我们建议您将[工作负载迁移到全新 Studio 体验](studio-updated-migrate.md)。
您可以按照以下步骤直接从已**启动的 JumpStart 资源**页面通过 Studio Classic 用户界面共享 JumpStart 模型：
1. 打开 Amazon SageMaker Studio Classic，然后在左侧导航窗格的**JumpStart**部分中选择已**启动的 JumpStart 资产**。
1. 选择**训练作业**选项卡以查看您的模型训练作业列表。
1. 在**训练作业**列表中，选择要共享的训练作业。随即打开训练作业详细信息页面。您一次仅能共享一个训练作业。
1. 在训练作业的标题中，选择**共享**，然后选择**与我的组织共享**。
有关与组织共享模型的更多信息，请参阅[共享模型和笔记本](jumpstart-content-sharing.md)。
# 共享模型和笔记本
**重要**
截至 2023 年 11 月 30 日，之前的亚马逊 SageMaker Studio 体验现在被命名为 Amazon St SageMaker udio Classic。以下部分专门介绍如何使用 Studio Classic 应用程序。有关使用更新的 Studio 体验的信息，请参阅 [亚马逊 SageMaker Studio](studio-updated.md)。
Studio Classic 仍针对现有工作负载进行维护，但不再可供入门使用。您只能停止或删除现有的 Studio Classic 应用程序，不能创建新的应用程序。我们建议您将[工作负载迁移到全新 Studio 体验](studio-updated-migrate.md)。
共享您的模型和笔记本，以集中管理模型构件，提高可发现性，并增加模型在组织内模型的重复使用。在共享模型时，您可以提供训练和推理环境信息，并允许协作者将这些环境用于自己的训练和推理作业。
您可以直接在 Amazon SageMaker Studio Classic 中集中搜索您共享的所有模型和与您共享的模型。有关登录 Amazon SageMaker Studio Classic 的入门步骤的信息，请参阅[加入亚马逊 A SageMaker I 域名](https://docs.aws.amazon.com/sagemaker/latest/dg/gs-studio-onboard.html)。
**Topics**
+ [共享模型和笔记本](jumpstart-content-sharing-access.md)
+ [访问共享内容](jumpstart-content-sharing-access-filter.md)
+ [添加模型](jumpstart-content-sharing-add-model.md)
# 共享模型和笔记本
要共享模型和笔记本，请导航至 Amazon SageMaker Studio Classic 中的**共享**模型**部分，选择我的组织**共享，然后选择**添加**下拉列表。选择添加模型或添加笔记本。
![\[用于添加共享模型或笔记本的菜单 JumpStart。\]](http://docs.aws.amazon.com/zh_cn/sagemaker/latest/dg/images/jumpstart/jumpstart-shared-models.png)
# 访问共享内容
在 Amazon SageMaker Studio Classic 用户界面中，您可以访问共享内容并筛选所看到的内容。
有三个主要选项可用于筛选共享模型和笔记本：
1. **由我共享** — 您共享给的模型和笔记本 JumpStart。
1. **与我共享** – 与您共享的模型和笔记本
1. **由我的组织共享** – 与组织中的任何人共享的所有模型和笔记本
您还可以根据上次更新时间或者按字母顺序升序或降序对模型和笔记本进行排序。选择筛选条件图标 (![\[Funnel or filter icon representing data filtering or narrowing down options.\]](http://docs.aws.amazon.com/zh_cn/sagemaker/latest/dg/images/jumpstart/jumpstart-filter-icon.png)) 对您的选择进行进一步排序。
# 添加模型
要添加模型，请选择**由我的组织共享**，然后从**添加**下拉列表中选择**添加模型**。输入模型的基本信息，并添加要与协作者共享的任何训练或推理信息，以便训练或部署模型。输入所有必需信息后，选择屏幕右下角的**添加模型**。
**Topics**
+ [添加基本信息](jumpstart-content-sharing-info.md)
+ [启用训练](jumpstart-content-sharing-training.md)
+ [启用部署](jumpstart-content-sharing-deployment.md)
+ [添加笔记本](jumpstart-content-sharing-notebooks.md)
# 添加基本信息
在中添加模型 JumpStart 需要提供有关您要训练的模型的一些基本信息。这些信息有助于确定模型的特征和功能，并提高其可发现性和可搜索性。要创建新模型，请按照以下步骤操作：
1. 添加此模型的标题。添加标题后，系统会根据模型标题自动在 ID 字段中填充唯一标识符。
1. 添加模型的描述。
1. 从选项中选择一种数据类型：*文本*、*视觉*、*表格*或*音频*。
1. 从可用任务列表中选择机器学习任务，例如*图像分类*或*文本生成*。
1. 选择机器学习框架。
1. 添加带有关键字或短语的元数据信息，以便用于搜索模型。使用逗号分隔关键字。所有空格都将自动替换为逗号。
# 启用训练
添加要共享的模型时，您可以选择提供训练环境，并允许组织中的协作者训练共享的模型。
**注意**
如果您要添加表格模型，则还需要指定列格式和目标列以启用训练。
提供模型的基本详细信息后，您需要配置用于训练模型的训练作业的设置。这包括指定容器环境、代码脚本、数据集、输出位置和其他各种参数，以控制训练作业的执行方式。要配置训练作业设置，请按照以下步骤操作：
1. 添加用于模型训练的容器。您可以选择用于现有训练作业的容器，将自己的容器带入 Amazon ECR，或者使用 Amazon SageMaker 深度学习容器。
1. 添加环境变量。
1. 提供训练脚本位置。
1. 提供脚本模式入口点。
1. 为训练期间生成的模型构件提供 Amazon S3 URI。
1. 向默认训练数据集提供 Amazon S3 URI。
1. 提供模型输出路径。模型输出路径应为训练生成的任何模型项目的 Amazon S3 URI 路径。 SageMaker AI 将模型工件作为单个压缩的 TAR 文件保存到 Amazon S3 中。
1. 提供验证数据集，用于在训练期间评估您的模型。验证数据集必须包含与训练数据集相同的列数和相同的特征标题。
1. 开启网络隔离。网络隔离可隔离模型容器，这样就无法通过模型容器进行入站或出站网络调用。
1. 提供培训渠道， SageMaker AI 可以通过这些渠道访问您的数据。例如，您可以指定名为 `train` 或 `test` 的输入通道。对于每个通道，请指定通道名称以及您数据位置的 URI。选择**浏览**以搜索 Amazon S3 位置。
1. 提供超参数。添加任意超参数，合作者在训练期间应使用这些参数进行实验。为这些超参数提供一系列有效值。此范围用于训练作业超参数验证。您可以根据超参数的数据类型定义范围。
1. 选择一个实例类型。对于大批量训练，建议使用具有更多内存的 GPU 实例。有关各AWS区域 SageMaker 训练实例的完整列表，请参阅 [Amazon Pricing 中的**按需 SageMaker 定价**表。](https://aws.amazon.com/sagemaker/pricing/)
1. 提供指标。通过为训练作业所监控的各个指标指定名称和正则表达式，定义训练作业的指标。设计正则表达式以捕获您的算法发出的指标值。例如，指标 `loss` 可以具有正则表达式 `"Loss =(.*?);"`。
# 启用部署
添加要共享的模型时，您可以选择提供推理环境，组织中的协作者可以在该环境中部署共享的模型用于推理。
训练完机器学习模型后，您需要将其部署到 Amazon A SageMaker I 终端节点进行推理。这包括提供容器环境、推理脚本、训练期间生成的模型构件，以及选择适当的计算实例类型。正确配置这些设置对于确保部署的模型能够进行准确预测和高效处理推理请求至关重要。要设置推理模型，请按照以下步骤操作：
1. 添加用于推理的容器。您可以将自己的容器带入 Amazon ECR，也可以使用亚马逊 SageMaker 深度学习容器。
1. 提供推理脚本的 Amazon S3 URI。自定义推理脚本在您选择的容器内运行。您的推理脚本应包括用于模型加载的函数，用于生成预测的可选函数，以及输入和输出处理。有关为所选框架创建推理脚本的更多信息，请参阅 SageMaker Python SDK 文档中的[框架](https://sagemaker.readthedocs.io/en/stable/frameworks/index.html)。例如 TensorFlow，请参阅[如何实现预 and/or 后处理处理程序。](https://sagemaker.readthedocs.io/en/stable/frameworks/tensorflow/deploying_tensorflow_serving.html#how-to-implement-the-pre-and-or-post-processing-handler-s)
1. 为模型构件提供 Amazon S3 URI。模型构件是训练模型得到的输出，通常由经过训练的参数、描述如何计算推理的模型定义以及其他元数据组成。如果您使用 SageMaker AI 训练模型，则模型工件将作为单个压缩的 TAR 文件保存在 Amazon S3 中。如果您在 SageMaker AI 之外训练模型，则需要创建这个压缩的 TAR 文件并将其保存在 Amazon S3 的位置。
1. 选择一个实例类型。对于大批量训练，建议使用具有更多内存的 GPU 实例。有关各AWS区域 SageMaker 训练实例的完整列表，请参阅 [Amazon Pricing 中的**按需 SageMaker 定价**](https://aws.amazon.com/sagemaker/pricing/)表。
# 添加笔记本
要添加笔记本，请选择**由我的组织共享**，然后从**添加**下拉列表中选择**添加笔记本**。输入笔记本的基本信息，并提供该笔记本所在位置的 Amazon S3 URI。
首先，添加有关笔记本的基本描述性信息。这些信息用于提高笔记本的可搜索性。
1. 为此笔记本添加标题。添加标题后，系统会根据笔记本标题自动在 ID 字段中填充唯一标识符。
1. 添加笔记本的描述。
1. 从选项中选择一种数据类型：*文本*、*视觉*、*表格*或*音频*。
1. 从可用任务列表中选择 ML 任务，例如*图像分类*或*文本生成*。
1. 选择一个 ML 框架。
1. 添加带有关键字或短语的元数据信息，以便用于搜索笔记本。使用逗号分隔关键字。所有空格都将自动替换为逗号。
指定基本信息后，您可以提供笔记本所在位置的 Amazon S3 URI。您可以选择**浏览**，在 Amazon S3 存储桶中搜索笔记本文件的位置。找到笔记本后，复制 Amazon S3 URI，选择**取消**，然后将 Amazon S3 URI 添加到**笔记本位置**字段。
输入所有必需信息后，选择右下角的**添加笔记本**。
# End-to-end JumpStart 解决方案模板
**重要**
截至 2023 年 11 月 30 日，之前的亚马逊 SageMaker Studio 体验现在被命名为 Amazon St SageMaker udio Classic。以下部分专门介绍如何使用 Studio Classic 应用程序。有关使用更新的 Studio 体验的信息，请参阅 [亚马逊 SageMaker Studio](studio-updated.md)。
Studio Classic 仍针对现有工作负载进行维护，但不再可供入门使用。您只能停止或删除现有的 Studio Classic 应用程序，不能创建新的应用程序。我们建议您将[工作负载迁移到全新 Studio 体验](studio-updated-migrate.md)。
**注意**
JumpStart 解决方案仅在 Studio 经典版中可用。
SageMaker JumpStart 提供一键式 end-to-end解决方案，旨在解决常见的机器学习用例。它们针对各自的领域使用成熟的算法，并提供完整的工作流程，通常包括数据处理、模型训练、部署、推理和监控。浏览以下使用案例，了解有关可用解决方案模板的更多信息。
+ [需求预测](#jumpstart-solutions-demand-forecasting)
+ [信用评级预测](#jumpstart-solutions-credit-prediction)
+ [欺诈侦测](#jumpstart-solutions-fraud-detection)
+ [计算机视觉](#jumpstart-solutions-computer-vision)
+ [从文档中提取和分析数据](#jumpstart-solutions-documents)
+ [预测性维护](#jumpstart-solutions-predictive-maintenance)
+ [流失预测](#jumpstart-solutions-churn-prediction)
+ [个性化推荐](#jumpstart-solutions-recommendations)
+ [强化学习](#jumpstart-solutions-reinforcement-learning)
+ [医疗保健与生命科学](#jumpstart-solutions-healthcare-life-sciences)
+ [财务定价](#jumpstart-solutions-financial-pricing)
+ [因果推理](#jumpstart-solutions-causal-inference)
从 JumpStart 登录页面中选择最适合您的用例的解决方案模板。选择解决方案模板后，会 JumpStart 打开一个显示解决方案描述的新选项卡和一个**启动**按钮。选择 **Launch** 后，将 JumpStart 创建运行解决方案所需的所有资源，包括训练和模型托管实例。有关启动 JumpStart 解决方案的更多信息，请参阅[启动解决方案](jumpstart-solutions-launch.md)。
启动解决方案后，您可以在中浏览解决方案功能和任何生成的工件 JumpStart。使用 “**已启动的 JumpStart 资产**” 菜单查找您的解决方案。在解决方案的选项卡中，选择**打开笔记本**以使用提供的笔记本并浏览解决方案的功能。由于构件是在启动期间或运行提供的笔记本之后生成的，因此它们在**生成的构件**表中列出。您可以使用垃圾桶图标 (![\[The trash icon for JumpStart.\]](http://docs.aws.amazon.com/zh_cn/sagemaker/latest/dg/images/jumpstart/jumpstart-trash.png)) 删除单独的构件。您可以通过选择**删除解决方案资源**来删除解决方案的所有资源。
## 需求预测
需求预测使用历史时间序列数据来对未来特定时期的客户需求进行估计，从而简化企业的供需决策流程。
需求预测使用案例包括预测交通行业的车票销售、股票价格、医院就诊次数、下个月在多个地点雇用的客户代表人数、下一季度多个地区的产品销售、第二天的视频流服务云服务器使用情况、下周多个地区的用电量、物联网设备和传感器（例如能耗）的数量等等。
时间序列数据分为*单变量*和*多变量*。例如，单个家庭的总用电量是一段时间内的单变量时间序列。当多个单变量时间序列相互堆叠时，它被称为多变量时间序列。例如，一个街区中 10 个不同（但相关）家庭的总用电量构成了一个多变量时间序列数据集。
| 解决方案名称 | 说明 | 开始使用 |
| --- | --- | --- |
| 需求预测 | [使用三 state-of-the-art种时间序列预测算法对多变量时间序列数据进行需求预测：[LSTNet](https://ts.gluon.ai/stable/api/gluonts/gluonts.mx.model.lstnet.html)、Prophet 和 AI [SageMaker Deepa](https://docs.aws.amazon.com/sagemaker/latest/dg/deepar.html) r。](https://facebook.github.io/prophet/) | [GitHub »](https://github.com/awslabs/sagemaker-deep-demand-forecast) |
## 信用评级预测
使用 JumpStart我们的信用评级预测解决方案来预测企业信用评级或解释机器学习模型做出的信用预测决策。与传统的信用评级建模方法相比，机器学习模型可以自动进行信用预测并提高其准确性。
| 解决方案名称 | 说明 | 开始使用 |
| --- | --- | --- |
| 企业信用评级预测 | [使用 AWS AutoGluon 表格进行多模态（长文本和表格）机器学习，用于高质量的信用预测。](https://auto.gluon.ai/scoredebugweight/tutorials/tabular_prediction/index.html) | [GitHub »](https://github.com/awslabs/sagemaker-corporate-credit-rating) |
| 基于图形的信用评分 | 通过训练[图神经网络 GraphSage 和表格模型，使用 AWS[AutoGluon 表格](https://auto.gluon.ai/scoredebugweight/tutorials/tabular_prediction/index.html)数据和企业网络](https://cs.stanford.edu/people/jure/pubs/graphsage-nips17.pdf)预测企业信用评级。 | 在亚马逊 SageMaker Studio 经典版中查找。 |
| 解释信用决策 | 使用 [LightGBM](https://lightgbm.readthedocs.io/en/latest/) 和S [HAP（SHapley加](https://shap.readthedocs.io/en/latest/index.html)法解释）预测信用申请中的信用违约并提供解释。 | [GitHub »](https://github.com/awslabs/sagemaker-explaining-credit-decisions) |
## 欺诈侦测
许多企业每年因欺诈损失数十亿美元。基于机器学习的欺诈检测模型有助于以系统化的方式，从海量数据中识别可能的欺诈活动。以下解决方案使用交易和用户身份数据集来识别欺诈性交易。
| 解决方案名称 | 说明 | 开始使用 |
| --- | --- | --- |
| 检测恶意用户和交易 | 使用具有过度采样技术[SageMaker 的人工智能](https://docs.aws.amazon.com/sagemaker/latest/dg/xgboost.html)自动检测交易中潜在 XGBoost的欺诈活动。[合成少数族裔过度采样](https://arxiv.org/abs/1106.1813) (SMOTE)。 | [GitHub »](https://github.com/awslabs/fraud-detection-using-machine-learning) |
| 使用深度图形库检测金融交易中的欺诈行为 | 通过使用[深度图库](https://www.dgl.ai/)和[SageMaker 人工智能 XGBoost](https://docs.aws.amazon.com/sagemaker/latest/dg/xgboost.html)模型训练[图形卷积网络](https://arxiv.org/pdf/1703.06103.pdf)，检测金融交易中的欺诈行为。 | [GitHub »](https://github.com/awslabs/sagemaker-graph-fraud-detection) |
| 财务支付分类 | 使用 [SageMaker AI](https://docs.aws.amazon.com/sagemaker/latest/dg/xgboost.html) 根据交易信息对金融付款进行分类 XGBoost。使用此解决方案模板作为欺诈检测、个性化或异常检测的中间步骤。 | 在亚马逊 SageMaker Studio 经典版中查找。 |
## 计算机视觉
随着自动驾驶汽车、智能视频监控、医疗保健监控和各种对象计数任务等业务使用案例的兴起，对快速、准确的对象检测系统的需求也在不断增加。这些系统不仅涉及识别和分类图像中的每个对象，还需要通过在图像周围绘制相应的边界框来定位每个对象。在过去的十年中，深度学习技术的飞速发展极大地加速了对象检测的进步。
| 解决方案名称 | 说明 | 开始使用 |
| --- | --- | --- |
| 视觉产品缺陷检测 | 通过[从头开始训练物体检测模型或微调预训练的 SageMaker AI 模型](https://ieeexplore.ieee.org/document/8709818)，识别产品图像中的缺陷区域。 | [GitHub »](https://github.com/awslabs/sagemaker-defect-detection) |
| 手写识别 | 通过训练[对象检测模型](https://mxnet.apache.org/versions/1.0.0/api/python/gluon/model_zoo.html#mxnet.gluon.model_zoo.vision.resnet34_v1)和[手写识别模型](https://arxiv.org/abs/1910.00663)来识别映像中的手写文本。使用 G [SageMaker round Trut](https://aws.amazon.com/sagemaker/data-labeling/) h 标记你自己的数据。 | [GitHub »](https://github.com/awslabs/sagemaker-handwritten-text-recognition) |
| 针对鸟类种类的对象检测 | 使用 [SageMaker AI 物体检测模型](https://docs.aws.amazon.com/sagemaker/latest/dg/object-detection.html)识别场景中的鸟类。 | 在亚马逊 SageMaker Studio 经典版中查找。 |
## 从文档中提取和分析数据
JumpStart 为您提供解决方案，让您在关键业务文档中发现宝贵的见解和联系。使用案例包括文本分类、文档摘要、手写识别、关系提取、问答以及填写表格记录中的缺失值。
| 解决方案名称 | 说明 | 开始使用 |
| --- | --- | --- |
| 情绪分类的隐私性 | [文本匿名化](https://www.amazon.science/blog/preserving-privacy-in-analyses-of-textual-data)，以便在情绪分类中更好地保护用户隐私。 | [GitHub »](https://github.com/awslabs/sagemaker-privacy-for-nlp) |
| 文档理解 | 使用中的[转换器](https://huggingface.co/docs/transformers/index)库进行文档摘要、实体和关系提取。 PyTorch | [GitHub »](https://github.com/awslabs/sagemaker-document-understanding) |
| 手写识别 | 通过训练[对象检测模型](https://mxnet.apache.org/versions/1.0.0/api/python/gluon/model_zoo.html#mxnet.gluon.model_zoo.vision.resnet34_v1)和[手写识别模型](https://arxiv.org/abs/1910.00663)来识别映像中的手写文本。使用 G [SageMaker round Trut](https://aws.amazon.com/sagemaker/data-labeling/) h 标记你自己的数据。 | [GitHub »](https://github.com/awslabs/sagemaker-handwritten-text-recognition) |
| 填写表格记录中的缺失值 | 通过训练[SageMaker 自动驾驶](https://aws.amazon.com/sagemaker/autopilot/)模型，填充表格记录中的缺失值。 | [GitHub »](https://github.com/awslabs/filling-in-missing-values-in-tabular-records) |
## 预测性维护
预测性维护的目标是协调及时更换部件，从而在纠正性维护和预防性维护之间实现最佳的平衡。以下解决方案使用来自工业资产的传感器数据，预测机器故障、计划外停机时间和维修成本。
| 解决方案名称 | 说明 | 开始使用 |
| --- | --- | --- |
| 车队的预测性维护 | 通过卷积神经网络模型，使用车辆传感器信息和维护信息预测车队故障。 | [GitHub »](https://github.com/awslabs/aws-fleet-predictive-maintenance/) |
| 制造业的预测性维护 | 使用历史传感器读数训练[堆叠式双向 LSTM 神经网络](https://arxiv.org/pdf/1801.02143.pdf)模型，预测每个传感器的剩余使用寿命。 | [GitHub »](https://github.com/awslabs/predictive-maintenance-using-machine-learning) |
## 流失预测
客户流失率是许多公司面临的代价高昂的问题。在减少客户流失的工作中，公司可以识别可能退出其服务的客户，以便将精力集中在客户保留上。使用 JumpStart流失预测解决方案来分析用户行为和客户支持聊天记录等数据源，以确定哪些客户面临取消订阅或服务的高风险。
| 解决方案名称 | 说明 | 开始使用 |
| --- | --- | --- |
| 使用文本预测流失 | 使用带有 B [ER](https://huggingface.co/) T 编码器的数字、分类和文本特征预测流失，以及. [RandomForestClassifier](https://scikit-learn.org/stable/modules/generated/sklearn.ensemble.RandomForestClassifier.html) | [GitHub »](https://github.com/awslabs/sagemaker-churn-prediction-text) |
| 手机客户流失预测 | 使用 [SageMaker AI](https://docs.aws.amazon.com/sagemaker/latest/dg/xgboost.html) 识别不满意的手机客户 XGBoost。 | 在亚马逊 SageMaker Studio 经典版中查找。 |
## 个性化推荐
您可以使用 JumpStart 解决方案来分析客户身份图或用户会话，以更好地了解和预测客户行为。针对个性化推荐，使用以下解决方案，对客户在多台设备上的身份建模，确定客户购买的可能性，或者根据过去的客户行为创建自定义电影推荐程序。
| 解决方案名称 | 说明 | 开始使用 |
| --- | --- | --- |
| 使用深度图形库对身份图中的实体进行解析 | 通过使用[深度图形库](https://www.dgl.ai/)训练[图形卷积网络](https://arxiv.org/pdf/1703.06103.pdf)，为线上广告投放执行跨设备实体链接。 | [GitHub »](https://github.com/awslabs/sagemaker-graph-entity-resolution) |
| 购买建模 | 通过训练 [SageMaker AI XGBoost](https://docs.aws.amazon.com/sagemaker/latest/dg/xgboost.html) 模型来预测客户是否会进行购买。 | [GitHub »](https://github.com/awslabs/sagemaker-purchase-modelling) |
| 自定义推荐系统 | 训练和部署自定义推荐系统，该系统使用 SageMaker 人工智能中的神经协作过滤根据过去的行为为客户生成电影建议。 | 在亚马逊 SageMaker Studio 经典版中查找。 |
## 强化学习
强化学习 (RL) 是一种基于与环境的交互进行学习的类型。这种类型的学习是由代理人使用的，该代理必须通过与动态环境的 trial-and-error互动来学习行为，在这种环境中，目标是最大限度地提高代理人因其行为而获得的长期回报。通过权衡具有不确定奖励的探索行为与具有已知奖励的探索行为，实现奖励最大化。
RL 非常适合解决大型复杂问题，例如供应链管理、HVAC 系统、工业机器人、游戏人工智能、对话系统和自动驾驶汽车。
| 解决方案名称 | 说明 | 开始使用 |
| --- | --- | --- |
| 适用于 Battlesnake AI 竞赛的强化学习 | 通过[BattleSnake](https://play.battlesnake.com/)人工智能竞赛为训练和推理提供强化学习工作流程。 | [GitHub »](https://github.com/awslabs/sagemaker-battlesnake-ai) |
| 适用于 Procgen 挑战的分布式强化学习 | 适用于 [NeurIPS 2020 Procgen](https://www.aicrowd.com/challenges/neurips-2020-procgen-competition) 强化学习挑战的分布式强化学习入门套件。 | [GitHub »](https://github.com/aws-samples/sagemaker-rl-procgen-ray) |
## 医疗保健与生命科学
临床医生和研究人员可以使用 JumpStart 解决方案来分析医学影像、基因组信息和临床健康记录。
| 解决方案名称 | 说明 | 开始使用 |
| --- | --- | --- |
| 肺癌存活率预测 | [使用 AI 通过三维肺部计算机断层扫描 (CT) 扫描、基因组数据和临床健康记录，预测非小细胞肺癌患者的存活状态。SageMaker XGBoost](https://docs.aws.amazon.com/sagemaker/latest/dg/xgboost.html) | [GitHub »](https://github.com/aws-samples/machine-learning-pipelines-for-multimodal-health-data/tree/sagemaker-soln-lcsp) |
## 财务定价
许多企业定期动态调整定价，以尽可能地提高回报。使用以下 JumpStart 解决方案进行价格优化、动态定价、期权定价或投资组合优化用例。
| 解决方案名称 | 说明 | 开始使用 |
| --- | --- | --- |
| 价格优化 | 使用双重机器学习 (ML)（用于因果推断）和 [Prophet](https://facebook.github.io/prophet/) 预测程序估算价格弹性。使用这些估算值来优化每日价格。 | 在亚马逊 SageMaker Studio 经典版中查找。 |
## 因果推理
研究人员可以使用贝叶斯网络等机器学习模型来表示因果依赖关系，并根据数据得出因果结论。使用以下 JumpStart解决方案来了解氮基肥料施用与玉米作物产量之间的因果关系。
| 解决方案名称 | 说明 | 开始使用 |
| --- | --- | --- |
| 作物产量反设事实 | 对玉米对氮肥的反应进行反设事实分析。该解决方案使用多光谱卫星图像和[地面观测数据](https://www.sciencedirect.com/science/article/pii/S2352340921010283#tbl0001)来全面了解作物物候周期。 | 在亚马逊 SageMaker Studio 经典版中查找。 |
# 启动解决方案
**重要**
截至 2023 年 11 月 30 日，之前的亚马逊 SageMaker Studio 体验现在被命名为 Amazon St SageMaker udio Classic。以下部分专门介绍如何使用 Studio Classic 应用程序。有关使用更新的 Studio 体验的信息，请参阅 [亚马逊 SageMaker Studio](studio-updated.md)。
Studio Classic 仍针对现有工作负载进行维护，但不再可供入门使用。您只能停止或删除现有的 Studio Classic 应用程序，不能创建新的应用程序。我们建议您将[工作负载迁移到全新 Studio 体验](studio-updated-migrate.md)。
**注意**
JumpStart 解决方案仅在 Studio 经典版中可用。
首先，通过 Amazon SageMaker Studio Classic 用户界面的 SageMaker JumpStart 登录页面选择解决方案。有关登录 Amazon SageMaker Studio Classic 的入门步骤的信息，请参阅登录 [Amazon A SageMaker I 域](https://docs.aws.amazon.com/sagemaker/latest/dg/gs-studio-onboard.html)。有关访问 SageMaker JumpStart 登录页面的详细信息，请参阅[JumpStart 在 Studio 经典版中打开并使用](studio-jumpstart.md#jumpstart-open-use)。
在您选择解决方案后，将打开解决方案的选项卡，其中显示解决方案的描述和一个 `Launch` 按钮。要启动解决方案，请`Launch`在 “**启动解决方案**” 部分中选择。 JumpStart 然后创建运行解决方案所需的所有资源。这包括训练和模型托管实例。
## 高级参数
您选择的解决方案可能会有可供选择的高级参数。选择 “**高级参数**” 以指定解决方案的 AWS Identity and Access Management 角色。
解决方案能够跨9个相互交互的 AWS 服务启动资源。要使解决方案按预期运行，在一项服务中新创建的组件，必须能够对在另一项服务中的新创建的组件执行操作。建议您使用默认 IAM 角色来确保添加了所有必需的权限。有关 IAM 角色的更多信息，请参阅 [AWS Identity and Access Management 适用于亚马逊 A SageMaker I](security-iam.md)。
**Default IAM role**（原定设置 IAM 角色）
如果您选择此选项，则使用此解决方案所需的默认 IAM 角色。每种解决方案都需要不同的资源。以下列表根据所需的服务，描述了用于解决方案的默认角色。有关每项服务所需权限的说明，请参阅[AWS SageMaker 项目管理策略和 JumpStart](security-iam-awsmanpol-sc.md)。
+ **API Gateway** — AmazonSageMakerServiceCatalogProductsApiGatewayRole
+ **CloudFormation** – AmazonSageMakerServiceCatalogProductsCloudformationRole
+ **CodeBuild** – AmazonSageMakerServiceCatalogProductsCodeBuildRole
+ **CodePipeline** – AmazonSageMakerServiceCatalogProductsCodePipelineRole
+ **事件** – AmazonSageMakerServiceCatalogProductsEventsRole
+ **Firehose** – AmazonSageMakerServiceCatalogProductsFirehoseRole
+ **Glu** e — AmazonSageMakerServiceCatalogProductsGlueRole
+ **Lambda** – AmazonSageMakerServiceCatalogProductsLambdaRole
+ **SageMaker 人工智能** — AmazonSageMakerServiceCatalogProductsExecutionRole
如果您使用的是启用了 JumpStart 项目模板的新 SageMaker AI 域，则会在您的账户中自动创建这些角色。
如果您使用的是现有的 SageMaker AI 域，则您的账户中可能不存在这些角色。在这种情况下，启动解决方案时您将收到以下错误。
```
Unable to locate the updated roles required to launch this solution, a general role '/service-role/AmazonSageMakerServiceCatalogProductsUseRole' will be used. Please update your studio domain to generate these roles.
```
您仍然可以在没有所需角色的情况下启动解决方案，但会使用旧的默认角色 `AmazonSageMakerServiceCatalogProductsUseRole` 代替所需的角色。传统默认角色与 JumpStart 解决方案需要与之交互的所有服务都有信任关系。为了获得最佳安全性，我们建议您更新域名，为每项 AWS 服务设置新创建的默认角色。
如果您已经加入 A SageMaker I 域，则可以使用以下步骤更新您的域以生成默认角色。
1. 打开 Amazon A SageMaker I 控制台，网址为[https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)。
1. 选择页面左上角的**控制面板**。
1. 在**域**页面中，选择**设置**图标 (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/zh_cn/sagemaker/latest/dg/images/icons/Settings_squid.png)) 以编辑域设置。
1. 在**常规设置**上选择**下一步**。
1. 在 “**SageMaker 项目和**” 下 JumpStart，选择 “** SageMaker JumpStart 为此账户启用亚马逊 SageMaker 项目模板和亚马逊**” 和 “为 **Studio Classic 用户启用亚马逊 SageMaker 项目模板和亚马逊 SageMaker JumpStart **”，选择 “**下一步**”。
1. 选择**提交**。
您应该能够在 “**应用程序-Studio**” 选项卡下的 “**项目-为该账户启用的亚马逊 SageMaker项目模板**” 中看到列出的默认角色。
**查找 IAM 角色**
如果您选择此选项，则必须从下拉列表中为每项必需的服务选择一个现有 IAM 角色。所选角色必须至少具有相应服务所需的最低权限。有关每项服务所需权限的说明，请参阅[AWS SageMaker 项目管理策略和 JumpStart](security-iam-awsmanpol-sc.md)。
**输入 IAM 角色**
如果您选择此选项，则必须手动输入现有 IAM 角色的 ARN。所选角色必须至少具有相应服务所需的最低权限。有关每项服务所需权限的说明，请参阅[AWS SageMaker 项目管理策略和 JumpStart](security-iam-awsmanpol-sc.md)。
# 亚马逊 SageMaker JumpStart 行业：金融
使用 “ SageMaker JumpStart 行业：金融解决方案”、模型和示例笔记本，通过精心策划的一步式解决方案和以行业为重点的机器学习 (ML) 问题的示例笔记本来了解 SageMaker AI 的特性和功能。笔记本还介绍了如何使用 SageMaker JumpStart 行业 Python SDK 来增强行业文本数据和微调预训练模型。
**Topics**
+ [亚马逊 SageMaker JumpStart 行业 Python SDK](#studio-jumpstart-industry-pysdk)
+ [亚马逊 SageMaker JumpStart 行业：财务解决方案](#studio-jumpstart-industry-solutions)
+ [亚马逊 SageMaker JumpStart 行业：财务模型](#studio-jumpstart-industry-models)
+ [Amazon SageMaker JumpStart 行业：财务示例笔记本](#studio-jumpstart-industry-examples)
+ [亚马逊 SageMaker JumpStart 行业：金融博客文章](#studio-jumpstart-industry-blogs)
+ [亚马逊 SageMaker JumpStart 行业：金融相关研究](#studio-jumpstart-industry-research)
+ [亚马逊 SageMaker JumpStart 行业：其他财务资源](#studio-jumpstart-industry-resources)
## 亚马逊 SageMaker JumpStart 行业 Python SDK
SageMaker Runtime 通过其名为 Industry SageMaker JumpStart Python SDK 的客户端库 JumpStart 提供了用于整理行业数据集和微调预训练模型的处理工具。如需详细了解 SDK 的 API 文档，以及有关处理和增强行业文本数据集以提高 state-of-the-art模型性能的更多信息 SageMaker JumpStart，请参阅 Industry [Python SDK 开源文档](https://sagemaker-jumpstart-industry-pack.readthedocs.io)。SageMaker JumpStart
## 亚马逊 SageMaker JumpStart 行业：财务解决方案
SageMaker JumpStart 行业：Financial 提供以下解决方案笔记本：
+ **企业信用评级预测**
本 SageMaker JumpStart 行业：金融解决方案为文本增强型企业信用评级模型提供了模板。它展示了如何根据数字特征（在本例中为 Altman 著名的 5 个财务比率）与 SEC 申报文件中的文本相结合的模型，来改善信用评级的预测。除了 5 个 Altman 比率之外，您还可以根据需要添加更多变量或设置自定义变量。本解决方案笔记本展示了 Industr SageMaker JumpStart y Python SDK 如何帮助处理美国证券交易委员会文件中文本的自然语言处理 (NLP) 评分。此外，该解决方案还演示了如何使用增强的数据集训练模型以实现 best-in-class模型，将模型部署到 SageMaker 人工智能端点进行生产，以及如何实时接收改进的预测。
+ **基于图形的信用评分**
传统上，信用评级是通过使用财务报表数据和市场数据的模型生成的，这些数据仅为表格数据（数字和类别）。该解决方案使用 [SEC 申报文件](https://www.sec.gov/edgar/searchedgar/companysearch.html)构建了一个公司网络，并展示了如何通过表格数据使用公司关系网络来生成准确的评级预测。该解决方案演示了一种方法，使用公司关联数据，将基于表格的传统信用评分模型（已在评级行业中使用了数十年），扩展到网络上的机器学习模型类别。
**注意**
解决方案笔记本仅用于演示目的。不应将其作为财务或投资建议。
您可以通过 Studio Classic 中的 SageMaker JumpStart 页面找到这些金融服务解决方案。
**重要**
截至 2023 年 11 月 30 日，之前的亚马逊 SageMaker Studio 体验现在被命名为 Amazon St SageMaker udio Classic。以下部分专门介绍如何使用 Studio Classic 应用程序。有关使用更新的 Studio 体验的信息，请参阅 [亚马逊 SageMaker Studio](studio-updated.md)。
Studio Classic 仍针对现有工作负载进行维护，但不再可供入门使用。您只能停止或删除现有的 Studio Classic 应用程序，不能创建新的应用程序。我们建议您将[工作负载迁移到全新 Studio 体验](studio-updated-migrate.md)。
**注意**
SageMaker JumpStart 行业：财务解决方案、模型卡和示例笔记本只能通过 SageMaker Studio Classic 托管和运行。登录 [SageMaker AI 控制台](https://console.aws.amazon.com/sagemaker)，然后启动 SageMaker Studio Classic。有关如何查找解决方案卡片的更多信息，请参阅上一个主题[SageMaker JumpStart](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-jumpstart.html)。
## 亚马逊 SageMaker JumpStart 行业：财务模型
SageMaker JumpStart 行业：Financial 提供了以下经过预训练的[稳健优化的 BERT 方法 (RoBERTa) 模型](https://arxiv.org/pdf/1907.11692.pdf)：
+ **财务文本嵌入（Ro BERTa-sec-base）**
+ **RoBERTa-SEC-WIKI-Base **
+ **RoBERTa-SEC-Large **
+ **RoBERTa-SEC-WIKI-Large **
RoBERTa-SEC-Base和 RoBERTa-SEC-Large模型是基于 [GluonNLP的Ro模型的文本嵌入BERTa 模型](https://nlp.gluon.ai/api/model.html#gluonnlp.model.RoBERTaModel)，并根据标准普尔500指数美国证券交易委员会2010年十年（从2010年到2019年）的10-K/10-Q报告进行了预训练。除此之外， SageMaker AI Industr JumpStart y：Financial还提供了另外两个Ro BERTa 变体 RoBERTa-SEC-WIKI-Large， RoBERTa-SEC-WIKI-Base并根据美国证券交易委员会的文件和维基百科的常用文本进行了预先训练。
导航到 “文本模型” 节点，选择 “**浏览所有**文本模型**”，然后筛选 “机器学习任务**文本嵌入**”，即可在中找到这些模型**。 SageMaker JumpStart 选择所选模型后，您可以访问任何对应的笔记本。配对的笔记本将引导您了解如何针对多模态数据集上的特定分类任务对预训练模型进行微调，Industry SageMaker JumpStart Python SDK 增强了这些任务。
**注意**
模型笔记本仅用于演示目的。不应将其作为财务或投资建议。
以下屏幕截图显示了通过 Studio Classic 上的 SageMaker AI JumpStart 页面提供的预训练模型卡片。
![\[通过 Studio Classic 上的 SageMaker AI JumpStart 页面提供的预训练模型卡片。\]](http://docs.aws.amazon.com/zh_cn/sagemaker/latest/dg/images/jumpstart/jumpstart-finance-models.png)
**注意**
SageMaker JumpStart 行业：财务解决方案、模型卡和示例笔记本只能通过 SageMaker Studio Classic 托管和运行。登录 [SageMaker AI 控制台](https://console.aws.amazon.com/sagemaker)，然后启动 SageMaker Studio Classic。有关如何查找模型卡片的更多信息，请参阅上一个主题，网址为[SageMaker JumpStart](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-jumpstart.html)。
## Amazon SageMaker JumpStart 行业：财务示例笔记本
SageMaker JumpStart Industry: Financial 提供了以下示例笔记本来演示以行业为重点的机器学习问题的解决方案：
+ **财务 TabText 数据构建** — 此示例介绍如何使用 SageMaker JumpStart 行业 Python SDK 来处理美国证券交易委员会的文件，例如基于自然语言处理分数类型及其相应单词列表的文本摘要和评分文本。要预览此笔记本的内容，请参阅[根据 SEC 申报文件的多模式数据集和 NLP 分数简单地进行构建](https://sagemaker-jumpstart-industry-pack.readthedocs.io/en/latest/notebooks/finance/notebook1/SEC_Retrieval_Summarizer_Scoring.html)。
+ **基于 TabText 数据的多模态机器学习** — 此示例说明如何将不同类型的数据集合并到一个名为多模态机器学习的数据框中 TabText 并执行多模态机器学习。要预览本笔记本的内容，请参阅 M [achine Learning on a TabText DataFrame — 基于薪资保护计划的示例](https://sagemaker-jumpstart-industry-pack.readthedocs.io/en/latest/notebooks/finance/notebook2/PPP_TabText_ML.html)。
+ **美国证券交易委员会申报数据的多类别机器学习** — 此示例显示了如何根据美国证券交易委员会申报为多类分类任务整理的多模式 (TabText) 数据集训练 AutoGluon 自然语言处理模型。[根据 MDNA 文本列将 SEC 10K/Q 身份文件按行业代码分类](https://sagemaker-jumpstart-industry-pack.readthedocs.io/en/latest/notebooks/finance/notebook3/SEC_MNIST_ML.html)。
**注意**
示例笔记本仅用于演示目的。不应将其作为财务或投资建议。
**注意**
SageMaker JumpStart 行业：财务解决方案、模型卡和示例笔记本只能通过 SageMaker Studio Classic 托管和运行。登录 [SageMaker AI 控制台](https://console.aws.amazon.com/sagemaker)，然后启动 SageMaker Studio Classic。有关如何查找示例笔记本的更多信息，请参阅上一个主题，网址为[SageMaker JumpStart](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-jumpstart.html)。
要预览示例笔记本的内容，请参阅[教程 — SageMaker JumpStart 行业财务](https://sagemaker-jumpstart-industry-pack.readthedocs.io/en/latest/notebooks/index.html) *Python SDK 文档*。
## 亚马逊 SageMaker JumpStart 行业：金融博客文章
有关使用 “ SageMaker JumpStart 行业：财务解决方案”、模型、示例和 SDK 的完整应用，请参阅以下博客文章：
+ [在 Amazon 中使用预先训练的金融语言模型进行迁移学习 SageMaker JumpStart](https://aws.amazon.com/blogs/machine-learning/use-pre-trained-financial-language-models-for-transfer-learning-in-amazon-sagemaker-jumpstart/)
+ [在 Amazon 中使用多模式机器学习使用美国证券交易委员会文本进行评级分类 SageMaker JumpStart](https://aws.amazon.com/blogs/machine-learning/use-sec-text-for-ratings-classification-using-multimodal-ml-in-amazon-sagemaker-jumpstart/)
+ [在 Amazon 中为财务 NLP 创建包含美国证券交易委员会文本的控制面板 SageMaker JumpStart](https://aws.amazon.com/blogs/machine-learning/create-a-dashboard-with-sec-text-for-financial-nlp-in-amazon-sagemaker-jumpstart/)
+ [在 Amazon 中使用图形机器学习构建企业信用评级分类器 SageMaker JumpStart](https://aws.amazon.com/blogs/machine-learning/build-a-corporate-credit-ratings-classifier-using-graph-machine-learning-in-amazon-sagemaker-jumpstart/)
+ [根据财务数据在 Amazon 中对基础模型进行域自适应微调 SageMaker JumpStart ](https://aws.amazon.com/blogs/machine-learning/domain-adaptation-fine-tuning-of-foundation-models-in-amazon-sagemaker-jumpstart-on-financial-data/)
## 亚马逊 SageMaker JumpStart 行业：金融相关研究
有关 “ SageMaker JumpStart 工业：金融解决方案” 的研究，请参阅以下论文：
+ [金融业中的情境、语言建模和多模式数据](https://www.pm-research.com/content/iijjfds/3/3/52)
+ [用于信用建模的多模式机器学习](https://www.amazon.science/publications/multimodal-machine-learning-for-credit-modeling)
+ [论神经文本分类器缺乏稳健可解释性](https://www.amazon.science/publications/on-the-lack-of-robust-interpretability-of-neural-text-classifiers)
+ [FinLex: 有效使用词汇嵌入生成金融词典](https://www.sciencedirect.com/science/article/pii/S2405918821000131)
## 亚马逊 SageMaker JumpStart 行业：其他财务资源
有关其他文档和教程，请参阅以下资源：
+ [ SageMaker JumpStart 行业：金融 Python 软件开发工具包](https://pypi.org/project/smjsindustry/)
+ [SageMaker JumpStart 行业：金融 Python 软件开发工具包教程](https://sagemaker-jumpstart-industry-pack.readthedocs.io/en/latest/notebooks/index.html#)
+ [ SageMaker JumpStart 行业：财务 GitHub 存储库](https://github.com/aws/sagemaker-jumpstart-industry-pack/)
+ [Amazon A SageMaker I 入门——Machine Learning 教程](https://aws.amazon.com/sagemaker/getting-started/)