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。
使用 Amazon 训练模型 SageMaker
Amazon SageMaker Training 是一项完全托管的机器学习 (ML) 服务 SageMaker ，可帮助您高效地大规模训练各种机器学习模型。 SageMaker AI 作业的核心是机器学习工作负载的容器化以及管理 Amazon 计算资源的能力。Training 平台负责为机器学习 SageMaker 培训工作负载设置和管理基础架构相关的繁重工作。借 SageMaker 助 Training，您可以专注于开发、训练和微调模型。本页介绍了三种开始训练模型的推荐方法 SageMaker，然后是您可以考虑的其他选项。
提示
有关生成式 AI 训练基础模型的信息，请参阅在 A mazon SageMaker Studio 中使用 SageMaker JumpStart 基础模型。
在 Amazon SageMaker 培训中选择一项功能
在 SageMaker AI 中训练 ML 模型有三个主要用例。本节介绍这些用例，以及我们为每个用例推荐的 SageMaker AI 功能。
无论您是在训练复杂的深度学习模型，还是要实现较小的机器学习算法， SageMaker Training 都能提供符合您用例要求的简化且经济实惠的解决方案。
使用案例
以下是在 SageMaker AI 中训练 ML 模型的主要用例。
-
使用场景 1：在低代码或无代码环境中开发机器学习模型。
-
使用场景 2：使用代码开发更具灵活性和可控性的机器学习模型。
-
使用场景 3：以最大的灵活性和控制力开发大规模机器学习模型。
推荐的功能
下表描述了训练 ML 模型的三种常见场景以及开始使用 Training 的 SageMaker 相应选项。
| 描述符 | 应用场景 1 | 应用场景 2 | 使用案例 3 |
|---|---|---|---|
| SageMaker 人工智能功能 | 使用 Amazon C SageMaker anvas 构建模型。 | 使用 SageMaker AI 内置的机器学习算法之一训练模型，例如使用 Pyth SageMaker on SDK XGBoost或任务特定模型。 SageMaker JumpStart | 利用脚本模式 |
| 描述 | 带上你的数据。 SageMaker AI 可帮助管理机器学习模型的构建以及培训基础设施和资源的设置。 |
带上您的数据，然后选择 SageMaker AI 提供的内置机器学习算法之一。使用 Py SageMaker thon SDK 设置模型超参数、输出指标和基本基础设施设置。 SageMaker 培训平台有助于提供培训基础设施和资源。 |
开发自己的机器学习代码，并将其作为脚本或一组脚本引入 SageMaker AI。要了解更多信息，请参阅分布式计算和 SageMaker 最佳实践。此外，您还可以自带 Docker 容器。T SageMaker raining 平台可帮助根据您的自定义设置大规模配置培训基础设施和资源。 |
| 优化 |
低代码/无代码和用户界面驱动的模型开发，可使用训练数据集进行快速实验。构建自定义模型时，会根据您的数据自动选择算法。有关算法选择等高级自定义选项，请参阅高级模型构建配置。 |
训练 ML 模型，可对超参数和基础架构设置进行高级自定义，并可直接使用 ML 框架和入口点脚本，从而提高灵活性。通过 Amaz SageMaker on Python 软件 |
大规模的 ML 训练工作负载需要多个实例和最大的灵活性。参见分布式计算和 SageMaker 最佳实践。 SageMaker AI 使用 Docker 镜像来托管所有模型的训练和服务。您可以使用任何 SageMaker AI 或外部算法，也可以使用 Docker 容器来构建模型。 |
| 注意事项 |
自定义 Amazon C SageMaker anvas 提供的模型的灵活性极低。 |
与低级 SageMaker 训练 API 相比， SageMaker Python SDK 提供了简化的界面和更少的配置选项。 |
需要了解 Amazon 基础设施和分布式培训选项。另请参阅使用训练工具包创建自己的SageMaker 训练容器。 |
| 建议的环境 | 使用 Amazon SageMaker Canvas。要了解如何进行设置，请参阅 SageMaker Canvas 使用入门。 | JupyterLab在亚马逊 SageMaker Studio 中使用SageMaker 人工智能。要了解如何进行设置，请参阅启动 Amazon SageMaker Studio。 | SageMaker JupyterLab在 Amazon SageMaker Studio 中使用。要了解如何进行设置，请参阅启动 Amazon SageMaker Studio。 |
其他选项
SageMaker AI 为训练 ML 模型提供了以下其他选项。
SageMaker 提供训练功能的 AI 功能
-
SageMaker JumpStart: SageMaker JumpStart 提供对 SageMaker AI 公共模型中心的访问权限，该中心包含最新的公开可用和专有基础模型 (FMs)。您可以在 Amazon SageMaker Studio 中微调、评估和部署这些模型。 SageMaker JumpStart 简化了为生成式 AI 用例利用基础模型的流程，并允许您创建私有模型中心以使用基础模型，同时强制实施治理护栏并确保您的组织只能访问已批准的模型。要开始使用 SageMaker JumpStart，请参阅SageMaker JumpStart 基础模型。
-
SageMaker HyperPod: SageMaker HyperPod 是一项持久性群集服务，适用于需要弹性集群来处理大规模机器学习 (ML) 工作负载和开发 state-of-the-art基础模型 (FMs) 的用例。它消除了构建和维护由数千个加速器（例如 Amazon Trainium 或 NVIDIA A100 和 H100 图形处理单元）提供支持的大型计算集群所涉及的无差别繁重的工作，从而加快了此类模型的开发（）。GPUs您可以在 Slurm 上使用工作负载管理器软件。 HyperPod
SageMaker 培训的更多功能
-
超参数调整：此 SageMaker AI 功能有助于为模型定义一组超参数，并在数据集上启动许多训练作业。根据超参数值的不同，模型训练的性能也可能不同。此功能可在您设定的超参数范围内提供一组性能最佳的超参数。
-
分布式训练：使用 PyTorch NVIDIA CUDA 和其他 PyTorch基于框架 FMs 构建的预训练或微调。要有效地利用 GPU 实例，请使用 SageMaker AI 分布式训练库，该库提供集体通信操作和各种模型并行技术，例如针对基础设施进行了优化的专家并行性和共享数据并行性。 Amazon
-
可观察性功能：使用 Training 的 SageMaker 分析和调试功能深入了解模型训练工作负载、模型性能和资源利用率。要了解更多信息，请参阅调试和提高模型性能以及分析和优化计算性能。