Amazon SageMaker 的编程模型 - Amazon SageMaker
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。

Amazon SageMaker 的编程模型

直接从代码进行 API 调用会很麻烦,并且需要您编写代码来对请求进行身份验证。Amazon SageMaker 提供以下备选方案:

  • 使用 SageMaker 控制台-通过控制台,您无需编写任何代码。您使用控制台 UI 启动模型训练或部署模型。该控制台适用于简单作业,您在这些作业中使用内置的训练算法,并且无需对训练数据进行预处理。

     

  • 修改示例朱皮特笔记本电脑—SageMaker 提供几个使用特定算法和数据集来训练和部署模型的 Jupyter 笔记本。先从具有合适算法的笔记本开始,并对其进行修改,以满足您的数据源和特定需求。

     

  • 从头编写模型训练和推理代码— 萨格制造商提供多个AmazonSDK 语言(概述中列出)和Amazon SageMaker Python 开发工具包,您可以在代码中使用它们,以启动模型训练作业并部署生成的模型。

     

    • SageMaker Python 开发工具包-此 Python 库简化了模型训练和部署。除了对请求进行身份验证之外,该库还通过提供简单的方法和默认参数来提取平台具体信息。例如:

       

      • 要部署模型,只需调用 deploy() 方法即可。该方法会创建 SageMaker 模型工件和终端节点配置,然后在终端节点上部署模型。

         

      • 如果您使用自定义框架脚本进行模型训练,则调用 fit() 方法。该方法会为您的脚本创建一个 .gzip 文件,将其上传到 Amazon S3 位置,然后针对模型训练和其他任务而运行它。有关更多信息,请参阅将 Machine Learning 框架、Python 和 R 与 Amazon SageMaker 结合使用

         

    • 这些区域有:Amazon软件开发工具包— 开发工具包提供对应于 SageMaker API 的方法(请参阅Operations)。使用开发工具包以编程方式启动模型训练作业,并在 SageMaker 中托管模型。开发工具包客户端通过使用您的访问密钥对请求进行身份验证,因此您无需编写身份验证代码。它们提供有多种语言和平台版本。有关更多信息,请参阅概览中前面的列表。

       

    In开始使用 Amazon SageMaker 入门,您使用 SageMaker 提供的算法来训练和部署模型。该练习说明了如何使用这两个库。有关更多信息,请参阅开始使用 Amazon SageMaker 入门

     

  • 将 SageMaker 集成到您的 Apache 火花工作流程中—SageMaker 提供了一个用于从 Apache Spark 调用其 API 的库。借助该库,您可以在 Apache Spark 管道中使用基于 SageMaker 的估算器。有关更多信息,请参阅Amazon SageMaker 将 Apache Spark 与结合使用