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。

# 新增模型
<a name="jumpstart-content-sharing-add-model"></a>

若要新增模型，請選擇**由我的組織分享**，然後從**新增**下拉式清單中選取**新增模型**。輸入模型的基本資訊，並新增任何您要與協作者共用的訓練或推論資訊，以訓練或部署您的模型。輸入所有必要資訊後，請選擇畫面右下角的**新增模型**。

**Topics**
+ [新增基本資訊](jumpstart-content-sharing-info.md)
+ [啟用訓練](jumpstart-content-sharing-training.md)
+ [啟用部署](jumpstart-content-sharing-deployment.md)
+ [新增筆記本](jumpstart-content-sharing-notebooks.md)

# 新增基本資訊
<a name="jumpstart-content-sharing-info"></a>

在 JumpStart 中新增模型涉及提供您想要訓練之模型的一些基本資訊。此資訊有助於定義模型的特性和功能，以及改善其可探索性和可搜尋性。若要建立新的模型，請遵循下列步驟：

1. 新增此模型的標題。新增標題會根據模型標題在 ID 欄位中自動填入唯一識別碼。

1. 新增模型的描述。

1. 從以下選項中選取資料類型：*文字*、*視覺*、*表格式*或*音訊*。

1. 從可用任務清單中選取機器學習任務，例如*影像分類*或*文字產生*。

1. 選取機器學習架構。

1. 新增包含關鍵字或片語的中繼資料資訊，以便在搜尋模型時使用。使用逗號分隔關鍵字。任何空格都會自動以逗號取代。

# 啟用訓練
<a name="jumpstart-content-sharing-training"></a>

新增要共用的模型時，您可以選擇性地提供訓練環境，並允許組織中的協作者訓練共用模型。

**注意**  
如果您要新增表格式模型，您還需要指定資料欄格式和目標欄來啟用訓練。

提供模型的基本詳細資訊後，您需要為訓練任務設定用於訓練模型的設定。這包括指定容器環境、程式碼指令碼、資料集、輸出位置和各種其他參數，以控制訓練任務的執行方式。若要設定訓練任務設定，請遵循下列步驟：

1. 新增用於模型訓練的容器。您可以選取用於現有訓練任務的容器、在 Amazon ECR 中使用自己的容器，或使用 Amazon SageMaker 深度學習容器。

1. 新增環境變數。

1. 提供訓練指令碼位置。

1. 提供指令碼模式進入點。

1. 針對訓練期間產生的模型成品提供 Amazon S3 URI。

1. 將 Amazon S3 URI 提供給預設訓練資料集。

1. 提供模型輸出路徑。對於從訓練產生的任何模型成品，模型輸出路徑應為 Amazon S3 URI 路徑。SageMaker AI 會將模型成品儲存為 Amazon S3 中的單一壓縮 TAR 檔案。

1. 提供驗證資料集，以便在訓練期間評估模型。驗證資料集必須包含與訓練資料集相同數量的欄位和功能標題。

1. 開啟網路隔離。網路隔離會隔離模型容器，因此無法對模型容器進行傳入或傳出網路呼叫。

1. 提供 SageMaker AI 可以透過哪些訓練通道存取您的資料。例如，您可以指定名為 `train` 或 `test` 的通道。為每個通道指定通道名稱和資料位置的 URI。選擇**瀏覽**以搜尋 Amazon S3 位置。

1. 提供超參數。新增任何超參數，協作者應在訓練期間進行實驗。提供這些超參數的有效值範圍。此範圍用於訓練任務超參數驗證。您可以根據超參數的資料類型來定義範圍。

1. 選取執行個體類型。建議您使用記憶體容量較多的 GPU 執行個體來進行大批次訓練。如需跨 AWS 區域的 SageMaker 訓練執行個體完整清單，請參閱 [Amazon SageMaker 定價](https://aws.amazon.com/sagemaker/pricing/)中的**隨需定價**資料表。

1. 提供指標。您可以針對訓練監控的每個指標指定名稱和規則表達式，藉此定義訓練任務的指標。設計規則表達式以擷取演算法所發出指標的值。例如，指標 `loss` 可能具有規則表達式 `"Loss =(.*?);"`。

# 啟用部署
<a name="jumpstart-content-sharing-deployment"></a>

新增要共用的模型時，您可以選擇性地提供推論環境，讓組織中的協作者可以部署共用模型以進行推論。

訓練機器學習模型後，您需要將其部署到 Amazon SageMaker AI 端點以進行推論。這包括提供容器環境、推論指令碼、訓練期間產生的模型成品，以及選取適當的運算執行個體類型。正確設定這些設定對於確保您部署的模型可以進行準確的預測並有效地處理推論請求至關重要。若要設定模型以進行推論，請遵循下列步驟：

1. 新增要用於推論的容器。您可以在 Amazon ECR 中使用自己的容器，或使用 Amazon SageMaker 深度學習容器。

1. 將 Amazon S3 URI 提供給推論指令碼。自訂推論指令碼會在您選擇的容器內執行。您的推論指令碼應包含用於模型載入的函式，以及選擇性地使用產生預測的函式，以及輸入和輸出處理。如需有關為您選擇的架構建立推論指令碼的詳細資訊，請參閱 SageMaker Python SDK 文件中的[架構](https://sagemaker.readthedocs.io/en/stable/frameworks/index.html)。例如，對於 TensorFlow，請參閱[如何實作前置和/或後處理處理常式](https://sagemaker.readthedocs.io/en/stable/frameworks/tensorflow/deploying_tensorflow_serving.html#how-to-implement-the-pre-and-or-post-processing-handler-s)。

1. 針對模型成品提供 Amazon S3 URI。模型成品是訓練模型所產生的輸出，通常包含訓練過的參數、描述如何運算推論的模型定義，以及其他中繼資料。如果在 SageMaker AI 訓練您的模型，則模型成品會儲存為 Amazon S3 的單一壓縮 TAR 檔案。如果您在 SageMaker AI 外部訓練模型，則需要建立此單一壓縮 TAR 檔案，並將其儲存在 Amazon S3 位置。

1. 選取執行個體類型。建議您使用記憶體容量較多的 GPU 執行個體來進行大批次訓練。如需跨 AWS 區域的 SageMaker 訓練執行個體完整清單，請參閱 [Amazon SageMaker 定價](https://aws.amazon.com/sagemaker/pricing/)中的**隨需定價**資料表。

# 新增筆記本
<a name="jumpstart-content-sharing-notebooks"></a>

若要新增筆記本，請選擇**由我的組織分享**，然後從**新增**下拉式清單中選取**新增筆記本**。輸入筆記本的基本資訊，並提供該筆記本所在位置的 Amazon S3 URI。

首先，新增筆記本的基本描述性資訊。這項資訊會用來改善筆記本的可搜尋性。

1. 新增此筆記本的標題。新增標題會根據筆記本標題在 ID 欄位中自動填入唯一識別碼。

1. 新增筆記本的描述。

1. 從以下選項中選取資料類型：*文字*、*視覺*、*表格式*或*音訊*。

1. 從可用任務清單中選取機器學習 (ML) 任務，例如*影像分類*或*文字產生*。

1. 選取機器學習 (ML) 架構。

1. 新增中繼資料資訊以及關鍵字或片語，以便在搜尋筆記本時使用。使用逗號分隔關鍵字。任何空格都會自動以逗號取代。

指定基本資訊後，您可以提供該筆記本位置的 Amazon S3 URI。您可以選擇**瀏覽**，在 Amazon S3 儲存貯體中搜尋筆記本檔案位置。找到筆記本後，複製 Amazon S3 URI，選擇**取消**，然後將 Amazon S3 URI 新增至**筆記本位置**欄位。

輸入所有必要資訊後，請選擇右下角的**新增筆記本**。