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。
示例笔记本：使用您自己的算法或模型
以下 Jupyter 笔记本演示如何从 Amazon SageMaker 笔记本实例使用您自己的算法或预训练模型。要了解 GitHub 存储库的链接，以及使用 TensorFlow、MXNet、Chainer 和 PyTorch 框架的预构建的 Dockerfile，以及有关使用Amazon SDK for Python (Boto3)估计器在 SageMaker 学习者上运行您自己的训练算法，并在 SageMaker 托管上运行您自己的模型，请参阅用于深度学习的预构建 SageMaker 码头映像
Setup
-
创建 SageMaker 笔记本实例。有关如何创建和访问 Jupyter笔 记本实例的说明，请参阅使用 Amazon SageMaker 笔记本实例。
-
打开您创建的笔记本实例。
-
选择SageMaker 示例选项卡，查看所有 SageMaker 示例笔记本电脑的列表。
-
从高级功能部分或从 GitHub 使用提供的链接。要打开笔记本，请选择其 Use (使用) 选项卡，然后选择 Create copy (创建副本)。
接受 Scikit 学习培训的主机模型
要了解如何通过将 SageMaker 注入第一方 k 均值和 XGBoost 容器，托管在 SageMaker 中训练的模型以在 SageMaker 中进行预测，请参阅以下示例笔记本。
适用于 SageMaker 的封装 TensorFlow 和 SICITK-学习模型
要了解如何打包在 TensorFlow 中开发的算法和 scikit-learn 框架，以便在 SageMaker 环境中进行训练和部署，请参阅以下笔记本。它们向您展示了如何使用 Dockerfile 构建、注册和部署您自己的 Docker 容器。
在 SageMaker 上训练和部署神经网络
要了解如何使用 MXNet 或 TensorFlow 在本地训练神经网络，然后从训练后的模型创建终端节点并将其部署在 SageMaker 上，请参阅以下笔记本。MXNet 模型经过训练，可以识别 MNIST 数据集中的手写数字。TensorFlow 模型经过训练，可以对虹膜进行分类。
使用管道模式进行训练
要了解如何使用 Dockerfile 构建调用train.py
script并使用管道模式自定义训练算法，请参阅以下笔记本。在管道模式下，输入数据在训练时传输到算法。与使用文件模式相比，这可以减少训练时间。
自带 R 模型
要了解如何通过安装在笔记本中的 R 内核，使用 R 容器来训练和托管模型，请参阅以下笔记本。要充分利用AmazonSDK for Python (Boto3) 的开发工具包，我们使用笔记本中的 Python。您可以通过调用命令行参数在 R 中获得相同的结果。
扩展预构建的 PyTorch 容器映像
要了解在您具有预构建的 Docker 映像不支持的算法或模型的其他功能要求时如何扩展预构建的 SageMaker PyTorch 容器映像，请参阅以下笔记本。
训练和调试自定义容器上的培训作业
要了解如何使用 SageMaker 调试器培训和调试培训作业，请参阅下面的笔记本。通过此示例提供的训练脚本使用 TensorFlow Keras 50 模型和 CIFAR10 数据集。Docker 自定义容器是使用培训脚本构建的，并将其推送到 Amazon ECR。在训练作业运行时，调试器会收集张量输出并识别调试问题。与smdebug客户端库工具，您可以设置smdebug试用对象，该对象调用培训作业和调试信息，检查培训和调试器规则状态，并检索保存在 Amazon S3 存储桶中的张量以分析培训问题。