共享模型和笔记本

由我共享 – 您共享给 JumpStart 或 SageMaker Canvas 的模型和笔记本。

与我共享 – 与您共享的模型和笔记本

由我的组织共享 – 与组织中的任何人共享的所有模型和笔记本

添加此模型的标题。添加标题后，系统会根据模型标题自动在 ID 字段中填充唯一标识符。

添加模型的描述。

从选项中选择一种数据类型：文本、视觉、表格或音频。

从可用任务列表中选择机器学习任务，例如图像分类或文本生成。

选择机器学习框架。

添加带有关键字或短语的元数据信息，以便用于搜索模型。使用逗号分隔关键字。所有空格都将自动替换为逗号。

添加用于模型训练的容器。您可以选择用于现有训练作业的容器，将自己的容器带入 Amazon ECR，或者使用 Amazon SageMaker 深度学习容器。

添加环境变量。

提供训练脚本位置。

提供脚本模式入口点。

为训练期间生成的模型构件提供 Amazon S3 URI。

向默认训练数据集提供 Amazon S3 URI。

提供模型输出路径。模型输出路径应该是从训练中生成的任何模型构件的 Amazon S3 URI 路径。SageMaker 将模型构件作为单个压缩的 TAR 文件保存到 Amazon S3 中。

提供验证数据集，用于在训练期间评估您的模型。验证数据集必须包含与训练数据集相同的列数和相同的特征标题。

开启网络隔离。网络隔离可隔离模型容器，这样就无法通过模型容器进行入站或出站网络调用。

提供训练通道，SageMaker 可以通过这些通道访问您的数据。例如，您可以指定名为 train 或 test 的输入通道。对于每个通道，请指定通道名称以及您数据位置的 URI。选择浏览以搜索 Amazon S3 位置。

提供超参数。添加任意超参数，合作者在训练期间应使用这些参数进行实验。为这些超参数提供一系列有效值。此范围用于训练作业超参数验证。您可以根据超参数的数据类型定义范围。

选择一个实例类型。对于大批量训练，建议使用具有更多内存的 GPU 实例。有关各 Amazon 区域的 SageMaker 训练实例的完整列表，请参阅 Amazon SageMaker 定价中的按需定价表。

提供指标。通过为训练作业所监控的各个指标指定名称和正则表达式，定义训练作业的指标。设计正则表达式以捕获您的算法发出的指标值。例如，指标 loss 可以具有正则表达式 "Loss =(.*?);"。

添加用于推理的容器。您可以将自己的容器带到 Amazon ECR 中，也可以使用 Amazon SageMaker 深度学习容器。

提供推理脚本的 Amazon S3 URI。自定义推理脚本在您选择的容器内运行。您的推理脚本应包括用于模型加载的函数，用于生成预测的可选函数，以及输入和输出处理。有关为所选框架创建推理脚本的更多信息，请参阅 SageMaker Python SDK 文档中的框架。例如，对于 TensorFlow，请参阅如何实施预处理和/或后处理处理程序。

为模型构件提供 Amazon S3 URI。模型构件是训练模型得到的输出，通常由经过训练的参数、描述如何计算推理的模型定义以及其他元数据组成。如果您在 SageMaker 中训练了模型，则模型构件将作为单个压缩的 TAR 文件保存在 Amazon S3 中。如果您在 SageMaker 之外训练模型，则需要创建这个压缩的 tar 文件并将其保存在 Amazon S3 位置。

选择一个实例类型。对于大批量训练，建议使用具有更多内存的 GPU 实例。有关各 Amazon 区域的 SageMaker 训练实例的完整列表，请参阅 Amazon SageMaker 定价中的按需定价表。

为此笔记本添加标题。添加标题后，系统会根据笔记本标题自动在 ID 字段中填充唯一标识符。

添加笔记本的描述。

从选项中选择一种数据类型：文本、视觉、表格或音频。

从可用任务列表中选择 ML 任务，例如图像分类或文本生成。

选择一个 ML 框架。

添加带有关键字或短语的元数据信息，以便用于搜索笔记本。使用逗号分隔关键字。所有空格都将自动替换为逗号。