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。
# 更新模型版本的詳細資訊
您可以使用 適用於 Python (Boto3) 的 AWS SDK 或使用 Amazon SageMaker Studio 主控台，來檢視和更新特定模型版本的詳細資訊。
**重要**
Amazon SageMaker AI 將模型卡整合至模型註冊庫。在模型註冊庫中註冊的模型套件包含簡化的模型卡，做為模型套件的元件。如需詳細資訊，請參閱[模型套件模型卡結構描述 (Studio)](#model-card-schema)。
## 檢視和更新模型版本的詳細資訊 (Boto3)
若要使用 Boto3 檢視模型版本的詳細資訊，請完成下列步驟。
1. 呼叫 `list_model_packages` API 操作來檢視模型群組中的模型版本。
```
sm_client.list_model_packages(ModelPackageGroupName="ModelGroup1")
```
系統會回應模型套件摘要的清單。您可以透過此清單取得模型版本的 Amazon Resource Name (ARN)。
```
{'ModelPackageSummaryList': [{'ModelPackageGroupName': 'AbaloneMPG-16039329888329896',
'ModelPackageVersion': 1,
'ModelPackageArn': 'arn:aws:sagemaker:us-east-2:123456789012:model-package/ModelGroup1/1',
'ModelPackageDescription': 'TestMe',
'CreationTime': datetime.datetime(2020, 10, 29, 1, 27, 46, 46000, tzinfo=tzlocal()),
'ModelPackageStatus': 'Completed',
'ModelApprovalStatus': 'Approved'}],
'ResponseMetadata': {'RequestId': '12345678-abcd-1234-abcd-aabbccddeeff',
'HTTPStatusCode': 200,
'HTTPHeaders': {'x-amzn-requestid': '12345678-abcd-1234-abcd-aabbccddeeff',
'content-type': 'application/x-amz-json-1.1',
'content-length': '349',
'date': 'Mon, 23 Nov 2020 04:56:50 GMT'},
'RetryAttempts': 0}}
```
1. 呼叫 `describe_model_package` 以查看模型版本的詳細資訊。您需要傳入之模型版本的 ARN 即您在呼叫 `list_model_packages` 時取得的輸出。
```
sm_client.describe_model_package(ModelPackageName="arn:aws:sagemaker:us-east-2:123456789012:model-package/ModelGroup1/1")
```
此呼叫的輸出是包含模型版本詳細資訊的 JSON 物件。
```
{'ModelPackageGroupName': 'ModelGroup1',
'ModelPackageVersion': 1,
'ModelPackageArn': 'arn:aws:sagemaker:us-east-2:123456789012:model-package/ModelGroup/1',
'ModelPackageDescription': 'Test Model',
'CreationTime': datetime.datetime(2020, 10, 29, 1, 27, 46, 46000, tzinfo=tzlocal()),
'InferenceSpecification': {'Containers': [{'Image': '257758044811.dkr.ecr.us-east-2.amazonaws.com/sagemaker-xgboost:1.0-1-cpu-py3',
'ImageDigest': 'sha256:99fa602cff19aee33297a5926f8497ca7bcd2a391b7d600300204eef803bca66',
'ModelDataUrl': 's3://sagemaker-us-east-2-123456789012/ModelGroup1/pipelines-0gdonccek7o9-AbaloneTrain-stmiylhtIR/output/model.tar.gz'}],
'SupportedTransformInstanceTypes': ['ml.m5.xlarge'],
'SupportedRealtimeInferenceInstanceTypes': ['ml.t2.medium', 'ml.m5.xlarge'],
'SupportedContentTypes': ['text/csv'],
'SupportedResponseMIMETypes': ['text/csv']},
'ModelPackageStatus': 'Completed',
'ModelPackageStatusDetails': {'ValidationStatuses': [],
'ImageScanStatuses': []},
'CertifyForMarketplace': False,
'ModelApprovalStatus': 'PendingManualApproval',
'LastModifiedTime': datetime.datetime(2020, 10, 29, 1, 28, 0, 438000, tzinfo=tzlocal()),
'ResponseMetadata': {'RequestId': '12345678-abcd-1234-abcd-aabbccddeeff',
'HTTPStatusCode': 200,
'HTTPHeaders': {'x-amzn-requestid': '212345678-abcd-1234-abcd-aabbccddeeff',
'content-type': 'application/x-amz-json-1.1',
'content-length': '1038',
'date': 'Mon, 23 Nov 2020 04:59:38 GMT'},
'RetryAttempts': 0}}
```
### 模型套件模型卡結構描述 (Studio)
與模型版本相關的所有詳細資訊都會封裝在模型套件的模型卡中。模型套件的模型卡是 Amazon SageMaker 模型卡的一種特殊用法，其結構描述已簡化。模型套件模型卡結構描述會顯示在下列可展開的下拉式清單中。
#### 模型套件模型卡結構描述
```
{
"title": "SageMakerModelCardSchema",
"description": "Schema of a model package’s model card.",
"version": "0.1.0",
"type": "object",
"additionalProperties": false,
"properties": {
"model_overview": {
"description": "Overview about the model.",
"type": "object",
"additionalProperties": false,
"properties": {
"model_creator": {
"description": "Creator of model.",
"type": "string",
"maxLength": 1024
},
"model_artifact": {
"description": "Location of the model artifact.",
"type": "array",
"maxContains": 15,
"items": {
"type": "string",
"maxLength": 1024
}
}
}
},
"intended_uses": {
"description": "Intended usage of model.",
"type": "object",
"additionalProperties": false,
"properties": {
"purpose_of_model": {
"description": "Reason the model was developed.",
"type": "string",
"maxLength": 2048
},
"intended_uses": {
"description": "Intended use cases.",
"type": "string",
"maxLength": 2048
},
"factors_affecting_model_efficiency": {
"type": "string",
"maxLength": 2048
},
"risk_rating": {
"description": "Risk rating for model card.",
"$ref": "#/definitions/risk_rating"
},
"explanations_for_risk_rating": {
"type": "string",
"maxLength": 2048
}
}
},
"business_details": {
"description": "Business details of model.",
"type": "object",
"additionalProperties": false,
"properties": {
"business_problem": {
"description": "Business problem solved by the model.",
"type": "string",
"maxLength": 2048
},
"business_stakeholders": {
"description": "Business stakeholders.",
"type": "string",
"maxLength": 2048
},
"line_of_business": {
"type": "string",
"maxLength": 2048
}
}
},
"training_details": {
"description": "Overview about the training.",
"type": "object",
"additionalProperties": false,
"properties": {
"objective_function": {
"description": "The objective function for which the model is optimized.",
"function": {
"$ref": "#/definitions/objective_function"
},
"notes": {
"type": "string",
"maxLength": 1024
}
},
"training_observations": {
"type": "string",
"maxLength": 1024
},
"training_job_details": {
"type": "object",
"additionalProperties": false,
"properties": {
"training_arn": {
"description": "SageMaker Training job ARN.",
"type": "string",
"maxLength": 1024
},
"training_datasets": {
"description": "Location of the model datasets.",
"type": "array",
"maxContains": 15,
"items": {
"type": "string",
"maxLength": 1024
}
},
"training_environment": {
"type": "object",
"additionalProperties": false,
"properties": {
"container_image": {
"description": "SageMaker training image URI.",
"type": "array",
"maxContains": 15,
"items": {
"type": "string",
"maxLength": 1024
}
}
}
},
"training_metrics": {
"type": "array",
"items": {
"maxItems": 50,
"$ref": "#/definitions/training_metric"
}
},
"user_provided_training_metrics": {
"type": "array",
"items": {
"maxItems": 50,
"$ref": "#/definitions/training_metric"
}
},
"hyper_parameters": {
"type": "array",
"items": {
"maxItems": 100,
"$ref": "#/definitions/training_hyper_parameter"
}
},
"user_provided_hyper_parameters": {
"type": "array",
"items": {
"maxItems": 100,
"$ref": "#/definitions/training_hyper_parameter"
}
}
}
}
}
},
"evaluation_details": {
"type": "array",
"default": [],
"items": {
"type": "object",
"required": [
"name"
],
"additionalProperties": false,
"properties": {
"name": {
"type": "string",
"pattern": ".{1,63}"
},
"evaluation_observation": {
"type": "string",
"maxLength": 2096
},
"evaluation_job_arn": {
"type": "string",
"maxLength": 256
},
"datasets": {
"type": "array",
"items": {
"type": "string",
"maxLength": 1024
},
"maxItems": 10
},
"metadata": {
"description": "Additional attributes associated with the evaluation results.",
"type": "object",
"additionalProperties": {
"type": "string",
"maxLength": 1024
}
},
"metric_groups": {
"type": "array",
"default": [],
"items": {
"type": "object",
"required": [
"name",
"metric_data"
],
"properties": {
"name": {
"type": "string",
"pattern": ".{1,63}"
},
"metric_data": {
"type": "array",
"items": {
"anyOf": [
{
"$ref": "#/definitions/simple_metric"
},
{
"$ref": "#/definitions/linear_graph_metric"
},
{
"$ref": "#/definitions/bar_chart_metric"
},
{
"$ref": "#/definitions/matrix_metric"
}
]
}
}
}
}
}
}
}
},
"additional_information": {
"additionalProperties": false,
"type": "object",
"properties": {
"ethical_considerations": {
"description": "Ethical considerations for model users.",
"type": "string",
"maxLength": 2048
},
"caveats_and_recommendations": {
"description": "Caveats and recommendations for model users.",
"type": "string",
"maxLength": 2048
},
"custom_details": {
"type": "object",
"additionalProperties": {
"$ref": "#/definitions/custom_property"
}
}
}
}
},
"definitions": {
"source_algorithms": {
"type": "array",
"minContains": 1,
"maxContains": 1,
"items": {
"type": "object",
"additionalProperties": false,
"required": [
"algorithm_name"
],
"properties": {
"algorithm_name": {
"description": "The name of the algorithm used to create the model package. The algorithm must be either an algorithm resource in your SageMaker AI account or an algorithm in AWS Marketplace that you are subscribed to.",
"type": "string",
"maxLength": 170
},
"model_data_url": {
"description": "Amazon S3 path where the model artifacts, which result from model training, are stored.",
"type": "string",
"maxLength": 1024
}
}
}
},
"inference_specification": {
"type": "object",
"additionalProperties": false,
"required": [
"containers"
],
"properties": {
"containers": {
"description": "Contains inference related information used to create model package.",
"type": "array",
"minContains": 1,
"maxContains": 15,
"items": {
"type": "object",
"additionalProperties": false,
"required": [
"image"
],
"properties": {
"model_data_url": {
"description": "Amazon S3 path where the model artifacts, which result from model training, are stored.",
"type": "string",
"maxLength": 1024
},
"image": {
"description": "Inference environment path. The Amazon Elastic Container Registry (Amazon ECR) path where inference code is stored.",
"type": "string",
"maxLength": 255
},
"nearest_model_name": {
"description": "The name of a pre-trained machine learning benchmarked by an Amazon SageMaker Inference Recommender model that matches your model.",
"type": "string"
}
}
}
}
}
},
"risk_rating": {
"description": "Risk rating of model.",
"type": "string",
"enum": [
"High",
"Medium",
"Low",
"Unknown"
]
},
"custom_property": {
"description": "Additional property.",
"type": "string",
"maxLength": 1024
},
"objective_function": {
"description": "Objective function for which the training job is optimized.",
"additionalProperties": false,
"properties": {
"function": {
"type": "string",
"enum": [
"Maximize",
"Minimize"
]
},
"facet": {
"type": "string",
"maxLength": 63
},
"condition": {
"type": "string",
"maxLength": 63
}
}
},
"training_metric": {
"description": "Training metric data.",
"type": "object",
"required": [
"name",
"value"
],
"additionalProperties": false,
"properties": {
"name": {
"type": "string",
"pattern": ".{1,255}"
},
"notes": {
"type": "string",
"maxLength": 1024
},
"value": {
"type": "number"
}
}
},
"training_hyper_parameter": {
"description": "Training hyperparameter.",
"type": "object",
"required": [
"name",
"value"
],
"additionalProperties": false,
"properties": {
"name": {
"type": "string",
"pattern": ".{1,255}"
},
"value": {
"type": "string",
"pattern": ".{1,255}"
}
}
},
"linear_graph_metric": {
"type": "object",
"required": [
"name",
"type",
"value"
],
"additionalProperties": false,
"properties": {
"name": {
"type": "string",
"pattern": ".{1,255}"
},
"notes": {
"type": "string",
"maxLength": 1024
},
"type": {
"type": "string",
"enum": [
"linear_graph"
]
},
"value": {
"anyOf": [
{
"type": "array",
"items": {
"type": "array",
"items": {
"type": "number"
},
"minItems": 2,
"maxItems": 2
},
"minItems": 1
}
]
},
"x_axis_name": {
"$ref": "#/definitions/axis_name_string"
},
"y_axis_name": {
"$ref": "#/definitions/axis_name_string"
}
}
},
"bar_chart_metric": {
"type": "object",
"required": [
"name",
"type",
"value"
],
"additionalProperties": false,
"properties": {
"name": {
"type": "string",
"pattern": ".{1,255}"
},
"notes": {
"type": "string",
"maxLength": 1024
},
"type": {
"type": "string",
"enum": [
"bar_chart"
]
},
"value": {
"anyOf": [
{
"type": "array",
"items": {
"type": "number"
},
"minItems": 1
}
]
},
"x_axis_name": {
"$ref": "#/definitions/axis_name_array"
},
"y_axis_name": {
"$ref": "#/definitions/axis_name_string"
}
}
},
"matrix_metric": {
"type": "object",
"required": [
"name",
"type",
"value"
],
"additionalProperties": false,
"properties": {
"name": {
"type": "string",
"pattern": ".{1,255}"
},
"notes": {
"type": "string",
"maxLength": 1024
},
"type": {
"type": "string",
"enum": [
"matrix"
]
},
"value": {
"anyOf": [
{
"type": "array",
"items": {
"type": "array",
"items": {
"type": "number"
},
"minItems": 1,
"maxItems": 20
},
"minItems": 1,
"maxItems": 20
}
]
},
"x_axis_name": {
"$ref": "#/definitions/axis_name_array"
},
"y_axis_name": {
"$ref": "#/definitions/axis_name_array"
}
}
},
"simple_metric": {
"description": "Metric data.",
"type": "object",
"required": [
"name",
"type",
"value"
],
"additionalProperties": false,
"properties": {
"name": {
"type": "string",
"pattern": ".{1,255}"
},
"notes": {
"type": "string",
"maxLength": 1024
},
"type": {
"type": "string",
"enum": [
"number",
"string",
"boolean"
]
},
"value": {
"anyOf": [
{
"type": "number"
},
{
"type": "string",
"maxLength": 63
},
{
"type": "boolean"
}
]
},
"x_axis_name": {
"$ref": "#/definitions/axis_name_string"
},
"y_axis_name": {
"$ref": "#/definitions/axis_name_string"
}
}
},
"axis_name_array": {
"type": "array",
"items": {
"type": "string",
"maxLength": 63
}
},
"axis_name_string": {
"type": "string",
"maxLength": 63
}
}
}
```
## 檢視和更新模型版本的詳細資訊 (Studio 或 Studio Classic)
若要檢視和更新模型版本的詳細資訊，請根據您是使用 Studio 還是 Studio Classic 完成下列步驟。在 Studio Classic 中，您可以更新模型版本的核准狀態。如需詳細資訊，請參閱[更新模型的核准狀態](model-registry-approve.md)。另一方面，在 Studio 中，SageMaker AI 會為模型套件建立模型卡，而模型版本 UI 則會提供更新模型卡中詳細資訊的選項。
------
#### [ Studio ]
1. 請遵循[啟動 Amazon SageMaker Studio](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-updated-launch.html) 中的指示來開啟 SageMaker Studio 主控台。
1. 在左側導覽窗格中，從功能表中選擇**模型**。
1. 如果尚未選取，請選擇**已註冊模型**索引標籤。
1. 如果尚未選取，請在**已註冊模型**索引標籤的正下方選擇**模型群組**。
1. 選取包含要檢視之模型版本的模型群組名稱。
1. 在模型版本清單中，選取要檢視的模型版本。
1. 選擇下列其中一個索引標籤。
+ **訓練**：檢視或編輯與訓練任務相關的詳細資訊，包括效能指標、成品、IAM 角色和加密，以及容器。如需詳細資訊，請參閱[新增訓練任務 (Studio)](model-registry-details-studio-training.md)。
+ **評估**：檢視或編輯與訓練任務相關的詳細資訊，例如效能指標、評估資料集和安全性。如需詳細資訊，請參閱[新增評估任務 (Studio)](model-registry-details-studio-evaluate.md)。
+ **稽核**：檢視或編輯與模型業務用途、用量、風險和技術詳細資訊相關的高階詳細資訊，例如演算法和效能限制。如需詳細資訊，請參閱[更新稽核 (治理) 資訊 (Studio)](model-registry-details-studio-audit.md)。
+ **部署**：檢視或編輯推論映像容器的位置，以及構成端點的執行個體。如需詳細資訊，請參閱[更新部署資訊 (Studio)](model-registry-details-studio-deploy.md)。
------
#### [ Studio Classic ]
1. 登入 Amazon SageMaker Studio Classic。如需詳細資訊，請參閱[啟動 Amazon SageMaker Studio Classic](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-launch.html)。
1. 在左側的導覽窗格中，選擇**首頁**圖示 (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/zh_tw/sagemaker/latest/dg/images/studio/icons/house.png))。
1. 選擇**模型**，然後選擇**模型註冊表**。
1. 從模型群組清單中，選取要檢視的模型群組的名稱。
1. 系統會顯示一個新標籤，其中包含模型群組中模型版本的清單。
1. 在模型版本清單中，選取您要檢視其詳細資訊的模型版本名稱。
1. 在系統開啟的模型版本標籤上，選擇下列其中一項，以查看與模型版本相關的詳細資訊：
+ **活動**：展示模型版本的事件，例如核准狀態更新。
+ **模型品質**：報告與透過模型監控檢查模型品質相關的指標，這些檢查會將模型預測與 Ground Truth 進行比較。如需與透過模型監控檢查模型品質相關的詳細資訊，請參閱[模型品質](model-monitor-model-quality.md)。
+ **可解釋性**：報告與透過模型監控檢查功能屬性相關的指標，這些檢查會將訓練資料與即時資料中功能的相對排名進行比較。如需與透過模型監控檢查可解釋性相關的詳細資訊，請參閱[生產中模型的特徵屬性偏離](clarify-model-monitor-feature-attribution-drift.md)。
+ **偏差**：報告與透過監控偏差檢查偏差漂移相關的指標，這些檢查會將即時資料與訓練資料的分佈進行比較。如需與透過模型監控檢查偏差漂移相關的詳細資訊，請參閱[生產中模型的偏差偏離](clarify-model-monitor-bias-drift.md)。
+ **推論建議程式**：根據您的模型和範例承載，提供初始執行個體建議，以取得最佳效能。
+ **負載測試**：當您提供特定的生產需求 (例如延遲和輸送量限制) 時，針對您選擇的執行個體類型執行負載測試。
+ **推論規格**：顯示即時推論和轉換工作的執行個體類型，以及 Amazon ECR 容器的相關資訊。
+ **資訊**：展示與模型版本相關聯的專案、產生模型的管道、模型群組，以及 Amazon S3 中模型的位置等資訊。
------
# 新增訓練任務 (Studio)
**重要**
自 2023 年 11 月 30 日起，先前的 Amazon SageMaker Studio 體驗現在命名為 Amazon SageMaker Studio Classic。下節專門介紹如何使用更新的 Studio 體驗。如需使用 Studio Classic 應用程式的資訊，請參閱 [Amazon SageMaker Studio Classic](studio.md)。
您可以將外部建立或使用 SageMaker AI 建立的訓練任務新增至您的模型。如果您新增 SageMaker 訓練任務，SageMaker AI 會預先填入**訓練**索引標籤中所有子頁面的欄位。如果您新增外部建立的訓練任務，則需要手動新增與訓練任務相關的詳細資訊。
**若要將訓練任務新增至您的模型套件，請完成下列步驟。**
1. 選擇**測試**索引標籤。
1. 選擇**新增**。如果沒有看到此選項，您可能已連接訓練任務。如果您想要移除此訓練任務，請完成下列指示來移除訓練任務。
1. 您可以新增在 SageMaker AI 中建立的訓練任務，或外部建立的訓練任務。
1. 若要新增您在 SageMaker AI 中建立的訓練任務，請完成下列步驟。
1. 選擇 **SageMaker AI**。
1. 選取您要新增之訓練任務旁邊的選項方塊。
1. 選擇**新增**。
1. 若要新增您在外部建立的訓練任務，請完成下列步驟。
1. 選擇 **Custom (自訂)**。
1. 在**名稱**欄位中，插入自訂訓練任務的名稱。
1. 選擇**新增**。
# 移除訓練任務 (Studio)
您可以完成下列步驟，從模型中移除外部建立或使用 SageMaker AI 建立的訓練任務。
**若要從模型套件中移除訓練任務，請完成下列步驟。**
1. 選擇**訓練**。
1. 選擇**訓練**索引標籤下的**齒輪** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/zh_tw/sagemaker/latest/dg/images/icons/Settings_squid.png)) 圖示。
1. 選擇訓練任務旁邊的**移除**。
1. 選擇**是，我想要移除 <訓練任務的名稱>**。
1. 選擇**完成**。
# 更新訓練任務詳細資訊 (Studio)
請完成下列步驟，以更新與您模型相關聯的訓練任務詳細資訊，此訓練任務是在外部或使用 SageMaker AI 建立的。
**若要更新 (和檢視) 與訓練任務相關的詳細資訊：**
1. 在**訓練**索引標籤上，檢視訓練任務的狀態。如果您已將訓練任務新增至模型套件，則狀態為 `Complete`，否則為 `Undefined`。
1. 若要檢視與訓練任務相關的詳細資訊，例如效能、超參數和識別詳細資訊，請選擇**訓練**索引標籤。
1. 若要更新和檢視與模型效能相關的詳細資訊，請完成下列步驟。
1. 在**訓練**索引標籤的左側邊欄中選擇**效能**。
1. 檢視與訓練任務相關的**指標**。**效能**頁面會依名稱、值和任何您已新增且與指標相關的備註列出指標。
1. (選用) 若要將備註新增至現有指標，請完成下列步驟。
1. 選擇模型版本頁面右上角的垂直省略符號，然後選擇**編輯**。
1. 將備註新增至任何列出的指標。
1. 在模型版本頁面頂端，選擇**編輯模型版本...**橫幅中的**儲存**。
1. 檢視與訓練任務相關的**自訂指標**。自訂指標的格式類似於指標。
1. (選用) 若要新增自訂指標，請完成下列步驟。
1. 選擇**新增**。
1. 為您的新指標插入名稱、值和任何選用備註。
1. (選用) 若要移除自訂指標，請選擇您要移除之指標旁邊的**垃圾桶**圖示。
1. 在**可觀測性**文字方塊中，檢視任何您已新增且與訓練任務效能相關的備註。
1. (選用) 若要新增或更新可觀測性，請完成下列步驟。
1. 選擇模型版本頁面右上角的垂直省略符號，然後選擇**編輯**。
1. 在**可觀測性**文字方塊中新增或更新備註。
1. 在模型版本頁面頂端，選擇**編輯模型版本...**橫幅中的**儲存**。
1. 若要更新和檢視與模型成品相關的詳細資訊，請完成下列步驟。
1. 在**訓練**索引標籤的左側邊欄中選擇**成品**。
1. 在**位置 (S3 URI)** 欄位中，檢視訓練資料集的 Amazon S3 位置。
1. 在**模型**欄位中，檢視模型成品的名稱和 Amazon S3 位置，這些模型成品來自您包含在訓練任務中的其他模型。
1. 若要更新**成品**頁面中的任何欄位，請完成下列步驟。
1. 選擇模型版本頁面右上方的垂直省略符號，然後選擇**編輯**。
1. 在任何欄位中輸入新值。
1. 在模型版本頁面頂端，選擇**編輯模型版本...**橫幅中的**儲存**。
1. 若要更新和檢視與超參數相關的詳細資訊，請完成下列步驟。
1. 在**訓練**索引標籤的左側邊欄中選擇**超參數**。
1. 檢視 SageMaker AI 提供的超參數和定義的自訂超參數。每個超參數都會與其名稱和值一起列出。
1. 檢視您新增的自訂超參數。
1. (選用) 若要新增其他自訂超參數，請完成下列步驟。
1. 在**自訂超參數**資料表的右上角上方，選擇**新增**。一對新的空白欄位隨即出現。
1. 輸入新自訂超參數的名稱和值。這些值會自動儲存。
1. (選用) 若要移除自訂超參數，請選擇超參數右側的**垃圾桶**圖示。
1. 若要更新和檢視與訓練任務環境相關的詳細資訊，請完成下列步驟。
1. 在**訓練**索引標籤的左側邊欄中選擇**環境**。
1. 檢視 SageMaker AI (適用於 SageMaker 訓練任務) 或您 (適用於自訂訓練任務) 新增的任何訓練任務容器的 Amazon ECR URI 位置。
1. (選用) 若要新增其他訓練任務容器，請選擇**新增**，然後輸入新訓練容器的 URI。
1. 若要更新和檢視訓練任務名稱和訓練任務的 Amazon Resource Name (ARN)，請完成下列步驟。
1. 在**訓練**索引標籤的左側邊欄中選擇**詳細資訊**。
1. 檢視訓練任務名稱和訓練任務的 ARN。
# 新增評估任務 (Studio)
**重要**
自 2023 年 11 月 30 日起，先前的 Amazon SageMaker Studio 體驗現在命名為 Amazon SageMaker Studio Classic。下節專門介紹如何使用更新的 Studio 體驗。如需使用 Studio Classic 應用程式的資訊，請參閱 [Amazon SageMaker Studio Classic](studio.md)。
註冊您的模型後，您可以使用一或多個資料集測試模型，以評估其效能。您可以從 Amazon S3 新增一或多個評估任務，或手動輸入所有詳細資訊來定義自己的評估任務。如果您從 Amazon S3 新增任務，SageMaker AI 會預先填入**評估**索引標籤中所有子頁面的欄位。如果您定義自己的評估任務，則需要手動新增與評估任務相關的詳細資訊。
**若要將第一個評估任務新增至模型套件，請完成下列步驟。**
1. 選擇**評估**索引標籤。
1. 選擇**新增**。
1. 您可以從 Amazon S3 新增評估任務，或新增自訂評估任務。
1. 若要從 Amazon S3 使用輔助資料新增評估任務，請完成下列步驟。
1. 選擇 **S3**。
1. 輸入評估任務的名稱。
1. 輸入評估任務輸出輔助資料的 Amazon S3 位置。
1. 選擇**新增**。
1. 若要新增自訂評估任務，請完成下列步驟：
1. 選擇 **Custom (自訂)**。
1. 輸入評估任務的名稱。
1. 選擇**新增**。
**若要將額外的評估任務新增至模型套件，請完成下列步驟。**
1. 選擇**評估**索引標籤。
1. 選擇**訓練**索引標籤下的**齒輪** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/zh_tw/sagemaker/latest/dg/images/icons/Settings_squid.png)) 圖示。
1. 在對話方塊中，選擇**新增**。
1. 您可以從 Amazon S3 新增評估任務，或新增自訂評估任務。
1. 若要從 Amazon S3 使用輔助資料新增評估任務，請完成下列步驟。
1. 選擇 **S3**。
1. 輸入評估任務的名稱。
1. 輸入評估任務輸出輔助資料的 Amazon S3 位置。
1. 選擇**新增**。
1. 若要新增自訂評估任務，請完成下列步驟：
1. 選擇 **Custom (自訂)**。
1. 輸入評估任務的名稱。
1. 選擇**新增**。
# 移除評估任務 (Studio)
您可以完成下列步驟，從模型中移除外部建立或使用 SageMaker AI 建立的評估任務。
**若要從模型套件中移除評估任務，請完成下列步驟。**
1. 選擇**評估**索引標籤。
1. 選擇**訓練**索引標籤下的**齒輪** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/zh_tw/sagemaker/latest/dg/images/icons/Settings_squid.png)) 圖示。
1. (選用) 若要從清單中尋找您的評估任務，請在搜尋方塊中輸入搜尋詞彙，以縮小選擇清單範圍。
1. 選擇評估任務旁邊的選項按鈕。
1. 選擇**移除**。
1. 選擇**是，我想要移除 <評估任務的名稱>**。
1. 選擇**完成**。
# 更新評估任務 (Studio)
請完成下列步驟，以更新與您模型相關聯的評估任務詳細資訊，此訓練任務是在外部或使用 SageMaker AI 建立的。
**若要更新 (和檢視) 與評估任務相關的詳細資訊：**
1. 在**評估**索引標籤上，檢視評估任務的狀態。如果您已將評估任務新增至模型套件，則狀態為 `Complete`，否則為 `Undefined`。
1. 若要檢視與評估任務相關的詳細資訊，例如效能和成品位置，請選擇**評估**索引標籤。
1. 若要在評估期間更新和檢視與模型效能相關的詳細資訊，請完成下列步驟。
1. 在**評估**索引標籤邊欄中選擇**效能**。
1. 在指標清單中檢視與評估任務相關的**指標**。**指標**清單會依名稱、值和任何您已新增且與指標相關的備註來顯示個別指標。
1. 在**可觀測性**文字方塊中，檢視任何您已新增且與評估任務效能相關的備註。
1. 若要更新任何指標的任何**備註**欄位或更新**可觀測性**欄位，請完成下列步驟。
1. 選擇模型版本頁面右上方的垂直省略符號，然後選擇**編輯**。
1. 為任何指標或在**可觀測性**文字方塊中輸入備註。
1. 在模型版本頁面頂端，選擇**編輯模型版本...**橫幅中的**儲存**。
1. 若要更新和檢視與評估任務資料集相關的詳細資訊，請完成下列步驟。
1. 在**評估**頁面的左側邊欄中選擇**成品**。
1. 檢視評估任務中使用的資料集。
1. (選用) 若要新增資料集，請選擇**新增**並輸入資料集的 Amazon S3 URI。
1. (選用) 若要移除資料集，請選擇您要移除之資料集旁邊的**垃圾桶**圖示。
1. 若要檢視任務名稱和評估任務 ARN，請選擇**詳細資訊**。
# 更新稽核 (治理) 資訊 (Studio)
**重要**
自 2023 年 11 月 30 日起，先前的 Amazon SageMaker Studio 體驗現在命名為 Amazon SageMaker Studio Classic。下節專門介紹如何使用更新的 Studio 體驗。如需使用 Studio Classic 應用程式的資訊，請參閱 [Amazon SageMaker Studio Classic](studio.md)。
記錄重要的模型詳細資訊，協助您的組織建立強大的模型治理架構。您和您的團隊成員可以參考這些詳細資訊，以便他們將模型用於適當的使用案例、了解模型的業務領域和擁有者，以及了解模型風險。您也可以儲存模型預期執行方式的詳細資訊，以及效能限制的原因。
**若要檢視或更新與模型治理相關的詳細資訊，請完成下列步驟。**
1. 在**稽核**索引標籤上，檢視模型卡的核准狀態。狀態可以是下列其中一個：
+ **草稿**：模型卡仍然是草稿。
+ **待核准**：模型卡正在等待核准。
+ **已核准**：模型卡已核准。
1. 若要更新模型卡的核准狀態，請選擇核准狀態旁邊的下拉式功能表，然後選擇更新的核准狀態。
1. 若要更新和檢視與模型套件風險相關的詳細資訊，請完成下列步驟。
1. 在**稽核**索引標籤的左側邊欄中選擇**風險**。
1. 檢視目前的風險評等和風險評等的說明。
1. 若要更新評等或說明，請完成下列步驟。
1. 選擇**稽核**頁面右上角的垂直省略符號，然後選擇**編輯**。
1. (選用) 選擇更新的風險評等。
1. (選用) 更新風險評等說明。
1. 在模型版本頁面頂端，選擇**編輯模型版本...**橫幅中的**儲存**。
1. 若要更新和檢視與模型套件使用情況相關的詳細資訊，請完成下列步驟。
1. 在**稽核**索引標籤的左側邊欄中選擇**使用情況**。
1. 檢視您在下列欄位中新增的文字：
+ **問題類型**：用來建置模型的機器學習演算法類別。
+ **演算法類型**：用來建立模型的特定演算法。
+ **預期用途**：模型目前在業務問題中的應用。
+ **影響模型功效的因素**：有關模型效能限制的注意事項。
+ **建議用途**：您可以使用模型建立的應用類型、您可以預期合理效能的案例，或要與模型搭配使用的資料類型。
+ **道德考量**：描述您的模型如何根據年齡或性別等因素進行區分。
1. 若要更新任何先前列出的欄位，請完成下列步驟。
1. 選擇模型版本頁面右上角的垂直省略符號，然後選擇**編輯**。
1. (選用) 如有需要，使用**問題類型**和**演算法類型**的下拉式功能表來選取新值。
1. (選用) 更新其餘欄位中的文字描述。
1. 在模型版本頁面頂端，選擇**編輯模型版本...**橫幅中的**儲存**。
1. 若要更新和檢視與模型套件利益相關者相關的詳細資訊，請完成以下步驟。
1. 在**稽核**索引標籤的左側邊欄中選擇**利益相關者**。
1. 如果有的話，請檢視目前的模型擁有者和建立者。
1. 若要更新模型擁有者或建立者，請完成下列步驟：
1. 選擇模型版本頁面右上角的垂直省略符號，然後選擇**編輯**。
1. 更新模型擁有者或模型建立者欄位。
1. 在模型版本頁面頂端，選擇**編輯模型版本...**橫幅中的**儲存**。
1. 若要更新和檢視與模型套件解決之業務問題相關的詳細資訊，請完成下列步驟。
1. 在**稽核**索引標籤的左側邊欄中選擇**業務**。
1. 檢視模型解決的業務問題、業務問題利益相關者和業務線的目前描述，如果有的話。
1. 若要更新**業務**索引標籤中的任何欄位，請完成下列步驟。
1. 選擇模型版本頁面右上角的垂直省略符號，然後選擇**編輯**。
1. 更新任何欄位中的描述。
1. 在模型版本頁面頂端，選擇**編輯模型版本...**橫幅中的**儲存**。
1. 若要更新和檢視模型的現有文件 (以鍵值對表示)，請完成下列步驟。
1. 在**稽核**頁面的左側邊欄中選擇**文件**。
1. 檢視現有的鍵值對。
1. 若要新增任何鍵值對，請完成下列步驟。
1. 選擇模型版本頁面右上角的垂直省略符號，然後選擇**編輯**。
1. 選擇**新增**。
1. 輸入索引鍵名稱和相關聯值。
1. 在模型版本頁面頂端，選擇**編輯模型版本...**橫幅中的**儲存**。
1. 若要移除任何鍵值對，請完成下列步驟。
1. 選擇模型版本頁面右上角的垂直省略符號，然後選擇**編輯**。
1. 選擇要移除的鍵值對旁邊的**垃圾桶**圖示。
1. 在模型版本頁面頂端，選擇**編輯模型版本...**橫幅中的**儲存**。
# 更新部署資訊 (Studio)
**重要**
自 2023 年 11 月 30 日起，先前的 Amazon SageMaker Studio 體驗現在命名為 Amazon SageMaker Studio Classic。下節專門介紹如何使用更新的 Studio 體驗。如需使用 Studio Classic 應用程式的資訊，請參閱 [Amazon SageMaker Studio Classic](studio.md)。
在評估您的模型效能並確定模型已準備好用於生產工作負載之後，您可以變更模型的核准狀態，以啟動 CI/CD 部署。如需核准狀態定義的詳細資訊，請參閱[更新模型的核准狀態](model-registry-approve.md)。
**若要檢視或更新與模型套件部署相關的詳細資訊，請完成下列步驟。**
1. 在**部署**索引標籤上，檢視模型套件核准狀態。可能值如下：
+ **待核准**：模型已註冊，但尚未核准或拒絕部署。
+ **已核准**：模型已核准用於 CI/CD 部署。如果有適當的 EventBridge 規則，可對模型核准事件啟動模型部署，就像從 SageMaker AI 專案範本建置的模型一樣，SageMaker AI 也會部署該模型。
+ **已拒絕**：模型已被拒絕進行部署。
如果您需要變更核准狀態，請選擇狀態旁邊的下拉式功能表，然後選擇更新的狀態。
1. 若要更新模型套件核准狀態，請選擇核准狀態旁邊的下拉式清單，然後選擇更新的核准狀態。
1. 在**容器**清單中，檢視推論映像容器。
1. 在**執行個體**清單中，檢視構成部署端點的執行個體。