访问 Amazon 中精心策划的模型中心 SageMaker JumpStart - Amazon SageMaker
Amazon Web Services 文档中描述的 Amazon Web Services 服务或功能可能因区域而异。要查看适用于中国区域的差异,请参阅 中国的 Amazon Web Services 服务入门 (PDF)

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。

访问 Amazon 中精心策划的模型中心 SageMaker JumpStart

你可以通过 Studio 或 SageMaker Python 访问私有模型中心SDK。

在 Studio 中访问你的私人模特中心

重要

截至 2023 年 11 月 30 日,之前的亚马逊 SageMaker Studio 体验现在被命名为 Amazon St SageMaker udio Classic。以下部分专门介绍如何使用更新后的 Studio 体验。有关使用 Studio Classic 应用程序的信息,请参见亚马逊 SageMaker Studio 经典版

在 Amazon SageMaker Studio 中,通过左侧面板上的主页或主页菜单打开 JumpStart 登录页面。这将打开SageMaker JumpStart登录页面,您可以在其中浏览模型中心并搜索模型。

  • 在 “主页” 页面中,JumpStart在 “预构建和自动解决方案” 窗格中进行选择。

  • 从左侧面板的 “主页” 菜单中导航到该JumpStart节点。

有关开始使用 Amazon SageMaker Studio 的更多信息,请参阅亚马逊 SageMaker Studio

在 Studio 的SageMaker JumpStart登录页面上,您可以浏览任何包含贵组织允许名单模型的私有模型中心。如果您只能访问一个模型中心,则SageMaker JumpStart登录页面会将您直接带到该中心。如果您有权访问多个集线器,则会进入集线器页面。

有关微调、部署和评估您可以在 Studio 中访问的模型的更多信息,请参阅在 Studio 中使用基础模型

使用 SageMaker Python 访问你的私有模型中心 SDK

你可以使用 SageMaker Python 访问你的私有模型中心SDK。您的管理员提供您对策划中心的读取、使用或编辑权限。

注意

如果跨账户共享集线器,则HUB_NAME必须是中心ARN。如果中心不是在账户之间共享的,则HUB_NAME可以是中心名称。

  1. 安装 SageMaker Python SDK 并导入必要的 Python 软件包。

    # Install the SageMaker Python SDK !pip3 install sagemaker --force-reinstall --quiet # Import the necessary Python packages import boto3 from sagemaker import Session from sagemaker.jumpstart.hub.hub import Hub from sagemaker.jumpstart.model import JumpStartModel from sagemaker.jumpstart.estimator import JumpStartEstimator
  2. 使用集线器名称和 SageMaker 区域初始化会话并连接到您的私有集线器。

    # If a hub is shared across accounts, then the HUB_NAME must be the hub ARN HUB_NAME="Example-Hub-ARN" REGION="us-west-2" # Initialize a SageMaker session sm_client = boto3.client('sagemaker') sm_runtime_client = boto3.client('sagemaker-runtime') session = Session(sagemaker_client=sm_client, sagemaker_runtime_client=sm_runtime_client) # Initialize the private hub hub = Hub(hub_name=HUB_NAME, sagemaker_session=session)
  3. 连接到专用集线器后,您可以使用以下命令列出该集线器中的所有可用型号:

    response = hub.list_models() models = response["hub_content_summaries"] while response["next_token"]: response = hub.list_models(next_token=response["next_token"]) models.extend(response["hub_content_summaries"]) print(models)
  4. 您可以使用模型名称和以下命令获取有关特定模型的更多信息:

    response = hub.describe_model(model_name="example-model") print(response)

有关微调和部署您可以使用 SageMaker Python 访问的模型的更多信息SDK,请参阅将基础模型与 SageMaker Python SDK