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 的编程模型 SageMaker
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 提供了以下替代方案:
-
使用 SageMaker 控制台-使用控制台,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 提供多个 Jupyter 笔记本,它们使用特定的算法和数据集训练和部署模型。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。
-
从头开始编写模型训练和推理代码 — SageMaker 提供多种 Amazon 软件开发工具包语言(在概述中列出)和 Amaz SageMaker on Python SDK
,这是一个高级的 Python 库,您可以在代码中使用它来启动模型训练任务并部署生成的模型。 -
SageMaker Python 软件开发工具包-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 模型工件,即端点配置,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,请参阅使用 SageMaker Python SDK 配置和使用默认值
。
-
-
Amazon 软件开发工具包 — 软件开发工具包提供与 SageMaker API 对应的方法(请参阅
Operations
)。使用软件开发工具包以编程方式启动模型训练作业并在其中托管模型。 SageMakerSDK 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。
在中Amazon 入门指南 SageMaker,您可以使用提供的算法训练和部署模型 SageMaker。该练习说明了如何使用这两个库。有关更多信息,请参阅 Amazon 入门指南 SageMaker。
-
-
SageMaker 集成到你的 Apache Spark 工作流程中 — SageMaker 提供一个用于从 Apache Spark 调用其 API 的库。有了它,你可以在 Apache Spark 管道中使用 SageMaker基于估算器的估算器。有关更多信息,请参阅 在亚马逊上使用 Apache Spark SageMaker。