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。

# 亚马逊 A SageMaker I 的编程模型
<a name="how-it-works-prog-model"></a>

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 AI 提供了以下替代方案：
+ **使用 A SageMaker I 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 AI 提供了几个 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 AI 提供了多种 Amazon 软件开发工具包语言（在概述中列出）和 [Amaz SageMaker on Python SDK](https://sagemaker.readthedocs.io/en/stable)，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 A SageMaker I 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](frameworks.md)。

       
    + 要为 SageMaker AI 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](https://sagemaker.readthedocs.io/en/stable/overview.html#configuring-and-using-defaults-with-the-sagemaker-python-sdk)。

       
  + ** Amazon SDKs— SDKs 提供与 SageMaker API 对应的方法（请参阅 [https://docs.amazonaws.cn/sagemaker/latest/APIReference/API_Operations.html](https://docs.amazonaws.cn/sagemaker/latest/APIReference/API_Operations.html)）。**使用 SDKs 以编程方式启动模型训练作业，并将模型托管在 SageMaker AI 中。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。

     

  在中[亚马逊 A SageMaker I 入门指南](gs.md)，您可以使用 SageMaker AI 提供的算法训练和部署模型。该练习说明了如何使用这两个库。有关更多信息，请参阅 [亚马逊 A SageMaker I 入门指南](gs.md)。

   
+ **将 SageMaker 人工智能集成到你的 Apache Spark 工作流程**中 — SageMaker 人工智能提供了一个可以 APIs 从 Apache Spark 调用人工智能的库。有了它，你就可以在 SageMaker Apache Spark 管道中使用基于 AI 的估算器。有关更多信息，请参阅 [Apache Spark 搭载亚马逊 A SageMaker I](apache-spark.md)。