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 Amazon SDK 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 SDK - 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 模型构件和端点配置，然后在端点上部署模型。 -
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 机器学习框架和语言。 -
要为 SageMaker Python SDK 发出的 SageMaker API 调用设置默认值，请使用默认配置字典。有关更多信息，请参阅通过 SageMaker Python SDK 配置和使用默认值
。
-
-
Amazon SDK - SDK 提供对应于 SageMaker API 的方法（请参阅
Operations）。使用 SDK 以编程方式启动模型训练作业，并在 SageMaker 中托管模型。SDK 客户端会为您处理身份验证，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。
在开始使用中，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 开始使用。
-
-
将 SageMaker 集成到您的 Apache Spark 工作流中 - 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 将 Apache Spark 与 Amazon SageMaker 结合使用。