本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

# 訓練自訂實體辨識器 (API)
<a name="train-cer-model"></a>

若要建立和訓練自訂實體辨識模型，請使用 Amazon Comprehend [CreateEntityRecognizer](https://docs.aws.amazon.com/comprehend/latest/APIReference/API_CreateEntityRecognizer.html) API 操作

**Topics**
+ [使用 訓練自訂實體辨識器 AWS Command Line Interface](#get-started-api-cer-cli)
+ [使用 訓練自訂實體辨識器 適用於 Java 的 AWS SDK](#get-started-api-cer-java)
+ [使用 Python 訓練自訂實體辨識器 (Boto3)](#cer-python)

## 使用 訓練自訂實體辨識器 AWS Command Line Interface
<a name="get-started-api-cer-cli"></a>

下列範例示範搭配 使用 `CreateEntityRecognizer`操作和其他相關聯的 APIs AWS CLI。

這些範例已針對 Unix、Linux 和 macOS 格式化。用於 Windows 時，請以插入號 (^) 取代每一行結尾處的 Unix 接續字元斜線 (\\)。

使用 CLI `create-entity-recognizer` 命令建立自訂實體辨識器。如需有關 input-data-config 參數的資訊，請參閱《*Amazon Comprehend API 參考*》中的 [CreateEntityRecognizer](https://docs.aws.amazon.com/comprehend/latest/APIReference/API_CreateEntityRecognizer.html)。

```
aws comprehend create-entity-recognizer \
     --language-code en \
     --recognizer-name test-6 \
     --data-access-role-arn "arn:aws:iam::{{account number}}:role/service-role/AmazonComprehendServiceRole-role" \
     --input-data-config "EntityTypes=[{Type=PERSON}],Documents={S3Uri=s3://{{Bucket Name}}/{{Bucket Path}}/documents},
                Annotations={S3Uri=s3://{{Bucket Name}}/{{Bucket Path}}/annotations}" \
     --region {{region}}
```

使用 CLI `list-entity-recognizers` 命令列出區域中的所有實體辨識器。

```
aws comprehend list-entity-recognizers \
     --region {{region}}
```

使用 CLI `describe-entity-recognizer` 命令檢查自訂實體辨識器的任務狀態。

```
aws comprehend describe-entity-recognizer \
     --entity-recognizer-arn arn:aws:comprehend:{{region}}:{{account number}}:entity-recognizer/test-6 \
     --region {{region}}
```

## 使用 訓練自訂實體辨識器 適用於 Java 的 AWS SDK
<a name="get-started-api-cer-java"></a>

此範例使用 Java 建立自訂實體辨識器並訓練模型

如需使用 Java 的 Amazon Comprehend 範例，請參閱 [Amazon Comprehend Java 範例](https://github.com/awsdocs/aws-doc-sdk-examples/tree/main/javav2/example_code/comprehend)。

## 使用 Python 訓練自訂實體辨識器 (Boto3)
<a name="cer-python"></a>

執行個體化 Boto3 SDK：

```
import boto3
import uuid
comprehend = boto3.client("comprehend", region_name="{{region}}")
```

建立實體辨識器：

```
response = comprehend.create_entity_recognizer(
    RecognizerName="Recognizer-Name-Goes-Here-{}".format(str(uuid.uuid4())),
    LanguageCode="en",
    DataAccessRoleArn="{{Role ARN}}",
    InputDataConfig={
        "EntityTypes": [
            {
                "Type": "{{ENTITY_TYPE}}"
            }
        ],
        "Documents": {
            "S3Uri": "s3://{{Bucket Name}}/{{Bucket Path}}/documents"
        },
        "Annotations": {
            "S3Uri": "s3://{{Bucket Name}}/{{Bucket Path}}/annotations"
        }
    }
)
recognizer_arn = response["EntityRecognizerArn"]
```

列出所有辨識器：

```
response = comprehend.list_entity_recognizers()
```

等待辨識器達到 TRAINED 狀態：

```
while True:
    response = comprehend.describe_entity_recognizer(
        EntityRecognizerArn=recognizer_arn
    )

    status = response["EntityRecognizerProperties"]["Status"]
    if "IN_ERROR" == status:
        sys.exit(1)
    if "TRAINED" == status:
        break

    time.sleep(10)
```