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。

# 使用模型套件來建立模型
<a name="sagemaker-mkt-model-pkg-model"></a>

使用模型套件來建立可部署模型，用來建立託管端點或執行批次轉換工作以取得即時推論。您可以使用 Amazon SageMaker AI 主控台、低層級 SageMaker API，或是 [Amazon SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable)，從模型套件建立可部署模型。

**Topics**
+ [

## 使用模型套件來建立模型 (主控台)
](#sagemaker-mkt-model-pkg-model-console)
+ [

## 使用模型套件來建立模型 (API)
](#sagemaker-mkt-model-pkg-model-api)
+ [

## 使用模型套件來建立模型 ([Amazon SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable))
](#sagemaker-mkt-model-pkg-model-sdk)

## 使用模型套件來建立模型 (主控台)
<a name="sagemaker-mkt-model-pkg-model-console"></a>

**從模型套件建立可部署模型 (主控台)**

1. 開啟位在 [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/) 的 SageMaker AI 主控台。

1. 選擇**模型套件**。

1. 從**我的模型套件**索引標籤上的清單中選擇您建立的模型套件，或在 **AWS Marketplace 訂閱**索引標籤上選擇您訂閱的模型套件。

1. 選擇**建立模型**。

1. 針對**模型名稱**，輸入模型的名稱。

1. 針對 **IAM 角色**，請選擇擁有必要許可，可代表您呼叫其他服務的 IAM 角色，或是選擇**建立新角色**來允許 SageMaker AI 建立已連接 `AmazonSageMakerFullAccess` 受管政策的角色。如需相關資訊，請參閱[如何使用 SageMaker AI 執行角色](sagemaker-roles.md)。

1. 針對 **VPC**，選擇您希望允許模型存取的 Amazon VPC。如需詳細資訊，請參閱[讓 SageMaker AI 託管的端點可以存取 Amazon VPC 中的資源](host-vpc.md)。

1. 保留**容器輸入選項** 及**選擇模型套件**的預設值。

1. 針對環境變數，請提供您希望傳遞給模型容器的環境變數名稱及值。

1. 針對**標籤**，請指定一或多個標籤來管理模型。每個標籤皆包含索引鍵與選用值。每個資源的標籤鍵必須是唯一的。

1. 選擇**建立模型**。

在您建立可部署模型後，您可以用它來為即時推論設定端點，或是建立批次轉換工作來取得整個資料集的推論。如需在 SageMaker AI 中託管端點的相關資訊，請參閱[部署用於推論的模型](https://docs.aws.amazon.com/sagemaker/latest/dg/deploy-model.html)。

## 使用模型套件來建立模型 (API)
<a name="sagemaker-mkt-model-pkg-model-api"></a>

若要使用 SageMaker API，利用模型套件來建立可部署模型，請在您傳遞給 [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateModel.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateModel.html) API 的 [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_ContainerDefinition.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_ContainerDefinition.html) 物件的 `ModelPackageName` 欄位中，指定模型套件的名稱或 Amazon Resource Name (ARN)。

在您建立可部署模型後，您可以用它來為即時推論設定端點，或是建立批次轉換工作來取得整個資料集的推論。如需 SageMaker AI 中託管端點的相關資訊，請參閱[部署用於推論的模型](https://docs.aws.amazon.com/sagemaker/latest/dg/deploy-model.html)。

## 使用模型套件來建立模型 ([Amazon SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable))
<a name="sagemaker-mkt-model-pkg-model-sdk"></a>

若要使用 SageMaker AI Python SDK，利用模型套件建立可部署模型，請初始化 `ModelPackage` 物件，並將模型套件的 Amazon Resource Name (ARN) 作為 `model_package_arn` 引數傳遞。例如：

```
from sagemaker import ModelPackage
model = ModelPackage(role='SageMakerRole',
         model_package_arn='training-job-scikit-decision-trees-1542660466-6f92',
         sagemaker_session=sagemaker_session)
```

在您建立可部署模型後，您可以用它來為即時推論設定端點，或是建立批次轉換工作來取得整個資料集的推論。如需在 SageMaker AI 中託管端點的相關資訊，請參閱[部署用於推論的模型](https://docs.aws.amazon.com/sagemaker/latest/dg/deploy-model.html)。