使用经过训练的模型生成新的模型工件 - Amazon Neptune
增量推理任何工作的模型转换
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。

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工件

使用 Neptune ML 模型转换命令，您可以使用预先训练的模型参数计算模型伪影，例如节点嵌入处理的图形数据上。

用于增量推理的模型转换

在增量模型推理工作流，在处理了从 Neptune 导出的更新图数据之后，您可以使用 curl（或 awscurl）命令启动模型转换作业，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，您可以将此作业的 ID 传递给 create 端点 API 调用，以创建新的终端节点或使用此作业生成的新模型工件更新现有终端节点。这允许新的或更新的终端节点为更新的图表数据提供模型预测。

任何培训工作的模型转换

您还可在其他实例上提供trainingJobName参数来为 Neptune ML 模型训练期间启动的任何 SageMaker 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 训练作业，因此您可以灵活地根据任何 SageMaker 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 training job)",
        "modelTransformOutputS3Location" : "s3://(your Amazon S3 bucket)/neptune-model-transform/"
      }'

如果最初的培训作业是针对用户提供的自定义模型，则必须包含customModelTransformParameters在调用模型转换时调用对象。请参阅Neptune ML 中的自定义模型有关如何实施和使用自定义模型的信息。

注意

这些区域有：modeltransform命令始终在该培训的最佳 SageMaker 训练作业上运行模型转换。

请参阅模型变换命令有关模型转换作业的更多信息。