Amazon Web Services 文档中描述的 Amazon Web Services 服务或功能可能因区域而异。要查看适用于中国区域的差异，请参阅 中国的 Amazon Web Services 服务入门 (PDF)。

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。

使用经过训练的模型生成新的模型构件

使用 Neptune ML 模型转换命令，您可以使用预训练的模型参数计算模型构件，例如已处理的图形数据上的节点嵌入。

用于增量推理的模型转换

在增量模型推理工作流程中，在处理完从 Neptune 导出的已更新的图形数据后，可以使用 curl（或 awscurl）命令启动模型转换任务，如下所示：

curl \
  -X POST https://(your Neptune endpoint)/ml/modeltransform
  -H 'Content-Type: application/json' \
  -d '{
        "id" : "(a unique model-training job ID)",
        "dataProcessingJobId" : "(the data-processing job-id of a completed job)",
        "mlModelTrainingJobId": "(the ML model training job-id)",
        "modelTransformOutputS3Location" : "s3://(your Amazon S3 bucket)/neptune-model-transform/"
      }'

然后，您可以将此任务的 ID 传递给 create-endpoints API 调用，以创建新的端点，或者使用此任务生成的新模型构件更新现有端点。这允许新的或更新的端点为更新后的图形数据提供模型预测。

适用于任何训练任务的模型转换

您还可以提供一个trainingJobName参数来为在 Neptune ML 模型训练期间启动的任何 SageMaker AI 训练作业生成模型工件。由于 Neptune ML 模型训练作业可能会启动许多 SageMaker AI 训练作业，因此您可以灵活地基于任何 SageMaker AI 训练作业创建推理端点。

例如：

curl \
  -X POST https://(your Neptune endpoint)/ml/modeltransform
  -H 'Content-Type: application/json' \
  -d '{
        "id" : "(a unique model-training job ID)",
        "trainingJobName" : "(name a completed SageMaker AI training job)",
        "modelTransformOutputS3Location" : "s3://(your Amazon S3 bucket)/neptune-model-transform/"
      }'

如果原始训练任务是针对用户提供的自定义模型，则在调用模型转换时必须包含一个 customModelTransformParameters 对象。有关如何实现和使用自定义模型的信息，请参阅Neptune ML 中的自定义模型。

有关模型转换任务的更多信息，请参阅modeltransform 命令。