Amazon SageMaker 的编程模型 - Amazon SageMaker
AWS 文档中描述的 AWS 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 AWS 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 Jupyter 笔记本 – 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 – SageMaker 提供了多种 AWS 开发工具包语言(已在概述中列出)和 Amazon SageMaker Python SDK(一种可在代码中用来启动模型训练作业和部署生成的模型的高级 Python 库)。

     

    • 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。该方法创建 SageMaker 模型构件和终端节点配置,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,请参阅将机器学习框架 Python 和 R 与 Amazon SageMaker 一起使用

         

    • AWS SDKs – 提供对应于 SDKs API 的方法(请参阅 SageMaker Operations)。使用 SDKs 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。

       

    入门Amazon SageMaker中,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 入门Amazon SageMaker

     

  • 将 SageMaker 集成到您的 Apache Spark 工作流程中–SageMaker 提供一个库,用于从 Apache Spark 调用其 APIs。借助该库,您可以在 Apache Spark 管道中使用基于 SageMaker 的评估程序。有关更多信息,请参阅将 Apache Spark 与 Amazon SageMaker 结合使用