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。
SageMaker 快速启动
要将新功能与现有笔记本实例或 Studio 应用程序结合使用，必须重新启动笔记本实例或 Studio 应用程序以获取最新更新。有关更多信息，请参阅 。更新 SageMaker Studio 和 Studio 应用程序.
您可以使用 SageMaker JumpStart 通过精选的一键式解决方案、示例笔记本电脑和可部署的预训练模型来了解 SageMaker 的特性和功能。您也可以微调模型并部署它们。
要访问快速入门，您必须首先启动 SageMaker 工作室。快速启动功能在 SageMaker 笔记本实例中不可用，您无法通过 SageMaker API 或AmazonCLI。
使用 “快速启动” 启动程序打开开始使用部分或通过选择 “快速开始” 图标 (
) 中的左侧边栏.
在文件和资源浏览器（左窗格），您可以找到快速启动选项。在这里，您可以选择浏览 JumpStart 以查看解决方案、型号、笔记本电脑和其他资源，也可以查看当前启动的解决方案、终端和培训工作。
要查看 JumpStart 提供的内容，请选择 “快速开始” 图标，然后选择浏览快速开始. JupmpStart 将在新选项卡中打开主要工作区域. 在这里，您可以浏览一键下单解决方案、型号、笔记本示例、博客和视频教程。
Amazon SageMaker JumpStart 使某些内容可从第三方来源获得。本内容可能受到单独许可条款的约束。在下载或使用内容之前，您有责任审查和遵守任何适用的许可条款，并确保这些条款在您的使用案例中可以接受。
使用快速启动
在 JumpStart 页面的顶部，您可以使用搜索来查找感兴趣的主题。
您可以通过使用搜索或浏览搜索面板后面的每个类别来查找 JumpStart 资源：
-
解决方案— 推出端到端机器学习解决方案，将 SageMaker 与其他Amazon服务，只需点击一下。
文本模型— 针对各种自然语言处理用例部署和微调预训练的变压器。
视觉模型— 部署和微调预训练的模型，用于图像分类和对象检测，只需单击一下即可。
SageMaker 算法— 使用这些示例笔记本电脑，训练和部署 SageMaker 内置算法以解决各种问题类型。
示例笔记本— 运行示例笔记本电脑，这些笔记本电脑使用 SageMaker 功能，例如竞价型实例培训和针对各种模型类型和用例的实验。
博客— 阅读亚马逊托管的机器学习专家的深入探讨和解决方案。
视频教程— 观看由亚马逊托管的机器学习专家提供的 SageMaker 功能和机器学习用例的视频教程。
Solutions
选择解决方案时，JumpStart 会显示该解决方案的描述和启动按钮。当您单击启动，JumpStart 将创建运行解决方案所需的所有资源，包括培训和模型托管实例。快速启动解决方案启动后，JumpStart 会显示一个打开笔记本按钮。您可以单击该按钮以使用提供的笔记本电脑并浏览解决方案的功能。由于工件是在启动期间或运行提供的笔记本电脑后生成的，因此它们会在生成的对象表。您可以使用 “废纸篓” 图标（
)。您可以删除解决方案的所有资源，方法是选择删除解决方案资源.
Models
型号可直接从 JumpStart 进行快速部署。您也可以微调其中一些模型。浏览模型时，您可以滚动到部署部分并微调到说明部分。在说明部分中，您可以了解有关模型的详细信息，包括模型可以对模型执行哪些操作、预期的输入和输出类型，以及如果要使用转移学习来微调模型，则需要哪些数据类型。
下表列出了 JumpStart 中当前提供的型号。可用模型按模型类型和任务排序。要查看其他模型集，请单击这些模型的任务选项卡。
文本模型
- Text Classification Models
- Text Generation Models
- Extractive Question Answering Models
-
模型 精细 源 BERT 基础外壳 是 PyTorch 集线器 BERT 基地多语言外壳 是 PyTorch 中的 BERT 基地多语言未解决 是 PyTorch 中的 BERT 基本未解决 是 PyTorch 中的 BERT 大型外壳 是 PyTorch 中的 BERT 大型外壳全字掩码 是 PyTorch 中的 BERT 大型外壳全字屏蔽小队 是 PyTorch 中的 BERT 大型未解决 是 PyTorch 中的 BERT 大型未修改全字掩码 是 PyTorch 中的 BERT 大型未解开全字掩蔽小队 是 PyTorch 中的 迪斯蒂尔伯特底座 是 PyTorch 中的 迪斯蒂尔伯特基地多语言套装 是 PyTorch 中的 迪斯蒂尔伯特基本未解决 是 PyTorch 中的 迪斯蒂罗贝塔基本 是 PyTorch 中的 Roberta Base 是 PyTorch 中的 Roberta Base OpenAI 是 PyTorch 中的 罗伯塔大号 是 PyTorch 中的 罗伯塔大型 OpenAI 具包 是 PyTorch 中的 - Sentence Pair Classification Models
-
模型 微调 源 BERT 基础外壳 是 拥抱面部 BERT 基础外壳 是 张量流 Hub BERT 基地中心/公布地球 是 张量流 Hub BERT 基地多语言外壳 是 拥抱面部 BERT 基地多语言外壳 是 张量流 Hub BERT 基地多语言未解决 是 拥抱面部 BERT 基本未解决 是 拥抱面部 BERT 基本未解决 是 张量流 Hub BERT 基础维基百科和书库 是 张量流 Hub BERT 大型外壳 是 拥抱面部 BERT 大型外壳全字掩码 是 拥抱面部 BERT 大型外壳全字掩码 是 张量流 Hub BERT 大型未解决 是 拥抱面部 BERT 大型未解决 是 张量流 Hub BERT 大型未修改全字掩码 是 拥抱面部 BERT 大型未修改全字掩码 是 张量流 Hub 迪斯蒂尔伯特底座 是 拥抱面部 迪斯蒂尔伯特基地多语言套装 是 拥抱面部 迪斯蒂尔伯特基本未解决 是 拥抱面部 迪斯蒂罗贝塔基本 是 拥抱面部 选举基础 ++ 是 张量流 Hub 选举-小额 ++ 是 张量流 Hub Roberta Base 是 拥抱面部 Roberta Base OpenAI 是 拥抱面部 Roberta 大 是 拥抱面部 罗伯塔大型 OpenAI 具包 是 拥抱面部 XLM CLM 英语-德语 是 拥抱面部 XLM 传销 15 新兴国际语言 是 拥抱面部 XLM 传销英语-德语 是 拥抱面部 XLM 传销英语-罗马尼亚语 是 拥抱面部 XLM 传销 TLM 15 语言 是 拥抱面部
视觉模型
- Image Classification Models
-
模型 微调 源 AlexNet 是 PyTorch 中的 比特米 R101x1 是 张量流 Hub 比特-M R101x1 伊马根-21k 是 张量流 Hub 比特米 R101x3 是 张量流 Hub 比特-M R101x3 伊马涅-21k 是 张量流 Hub 比特米 R50x1 是 张量流 Hub 比特-M R50x1 伊马根-21k 是 张量流 Hub 比特米 R50x3 是 张量流 Hub 比特-M R50x3 伊马涅-21k 是 张量流 Hub 位的 R101x1 是 张量流 Hub 位的 R101x3 是 张量流 Hub 位的 R50x1 是 张量流 Hub 位的 R50x3 是 张量流 Hub DenSeNet 是 PyTorch 中的 DenSeNet 161 是 PyTorch 中的 DenseNet ings 是 PyTorch 中的 DenSeNet 是 PyTorch 中的 效率网络 B0 是 张量流 Hub 效率网络 B0 精简版 是 张量流 Hub 效率网络 B1 是 张量流 Hub 效率网 B1 精简版 是 张量流 Hub 效率网络 B2 是 张量流 Hub 效率网 B2 精简版 是 张量流 Hub 效率网络 B3 是 张量流 Hub 效率网 B3 精简版 是 张量流 Hub 效率网 B4 是 张量流 Hub 效率网 B4 精简版 是 张量流 Hub 效率网 B5 是 张量流 Hub 效率网 B6 是 张量流 Hub 效率网 B7 是 张量流 Hub Googlenet 是 PyTorch 中的 ResResNet V2 是 张量流 Hub 初始版 V1 是 张量流 Hub 初始版 V2 是 张量流 Hub 初始版 V3 是 张量流 Hub 启动版 V3 预览 是 张量流 Hub 移动网络 V1 0.25 128 是 张量流 Hub 移动网络 是 张量流 Hub 移动网络 V1 0.25 192 是 张量流 Hub 移动网络 V1 0.25 224 是 张量流 Hub 移动网络 V1 0.50 128 是 张量流 Hub 移动网络 是 张量流 Hub 移动网络 V1 是 张量流 Hub 移动网络 V1 是 张量流 Hub 移动网络 V1 0.75 128 是 张量流 Hub 移动网络 是 张量流 Hub 移动网络 V1 0.75 192 是 张量流 Hub 移动网络 V1 0.75 224 是 张量流 Hub 移动网络 V1 1.00 128 是 张量流 Hub 移动网络 是 张量流 Hub 移动网络 V1 1.00 192 是 张量流 Hub 移动网络 V1 是 张量流 Hub 移动网 V2 是 张量流 Hub 移动网 V2 是 PyTorch 中的 移动网络 V2 是 张量流 Hub 移动网络 V2 是 张量流 Hub 移动网络 V2 是 张量流 Hub 移动网络 V2 是 张量流 Hub 移动网络 是 张量流 Hub 移动网络 是 张量流 Hub ResNet 101 是 PyTorch 中的 ResNet 152 是 PyTorch 中的 ResNet 18 是 PyTorch 中的 ResNet 34 是 PyTorch 中的 ResNet 50 是 张量流 Hub ResNet 50 是 PyTorch 中的 ResNet ity Hub 是 张量流 Hub ResNet ity Hub 是 张量流 Hub ResNet V1 是 张量流 Hub ResNet ity Hub 是 张量流 Hub ResNet ity Hub 是 张量流 Hub ResNet V2 是 张量流 Hub 重新下一页 101 是 PyTorch 中的 重新下一页 50 是 PyTorch 中的 ShuffleNet V2 是 PyTorch 中的 SqueezeNet Net 0 是 PyTorch 中的 SqueezeNet Net 1 是 PyTorch 中的 VGG 11 是 PyTorch 中的 维格克 11 亿 是 PyTorch 中的 VGG-13 是 PyTorch 中的 维格克 13 十亿 是 PyTorch 中的 VGG 16 是 PyTorch 中的 伏特格 16 亿 是 PyTorch 中的 VGG 是 PyTorch 中的 维格克 19 亿 是 PyTorch 中的 宽 ResNet 101 是 PyTorch 中的 宽 ResNet 是 PyTorch 中的 - Image Embedding Models
-
模型 精细 源 位-M R101x1 特征向量 否 张量流 Hub 比特-M R101x3 特征向量 否 张量流 Hub 比特 M R50x1 特征向量 否 张量流 Hub 比特-M R50x3 伊马涅-21k 否 张量流 Hub 位的 R101x1 特征向量 否 张量流 Hub 位的 R101x3 特征向量 否 张量流 Hub 位的 R50x1 特征向量 否 张量流 Hub 位的 R50x3 特征向量 否 张量流 Hub 效率网络 B0 特征向量 否 张量流 Hub 效率网络 B0 精简版特征向量 否 张量流 Hub 效率网络 B1 特征向量 否 张量流 Hub 效率网络 B1 精简版特征向量 否 张量流 Hub 效率网络 B2 特征向量 否 张量流 Hub 效率网络 B2 精简版特征向量 否 张量流 Hub 效率网络 B3 特征向量 否 张量流 Hub 效率网络 B3 精简版特征向量 否 张量流 Hub 效率网 B4 精简版特征向量 否 张量流 Hub 效率网络 B6 特征向量 否 张量流 Hub 初始版 V1 特征向量 否 张量流 Hub 初始版 V2 特征向量 否 张量流 Hub 初始版 V3 功能向量 否 张量流 Hub 初始版 V3 预览功能向量 否 张量流 Hub 移动网络 V1 0.25 128 特征向量 否 张量流 Hub 移动网络 V1 0.25 160 特征向量 否 张量流 Hub 移动网络 V1 0.25 192 特征向量 否 张量流 Hub 移动网络 V1 0.25 224 特征向量 否 张量流 Hub 移动网络 V1 0.50 128 特征向量 否 张量流 Hub 移动网络 V1 0.50 160 特征向量 否 张量流 Hub 移动网络 V1 0.50 192 特征向量 否 张量流 Hub 移动网络 V1 0.50 224 特征向量 否 张量流 Hub 移动网络 V1 0.75 128 特征向量 否 张量流 Hub 移动网络 V1 0.75 160 特征向量 否 张量流 Hub 移动网络 V1 0.75 192 特征向量 否 张量流 Hub 移动网络 V1 0.75 224 特征向量 否 张量流 Hub 移动网络 V1 1.00 128 特征向量 否 张量流 Hub 移动网络 V1 1.00 160 特征向量 否 张量流 Hub 移动网络 V1 1.00 192 特征向量 否 张量流 Hub 移动网络 V1 1.00 224 特征向量 否 张量流 Hub 移动网络 V2 0.35 224 特征向量 否 张量流 Hub 移动网络 V2 否 张量流 Hub 移动网络 V2 0.75 224 特征向量 否 张量流 Hub 移动网络 V2 1.00 224 特征向量 否 张量流 Hub 移动网络 V2 1.30 224 特征向量 否 张量流 Hub 移动网络 V2 1.40 224 特征向量 否 张量流 Hub 移动网络 V2 特征矢量 否 张量流 Hub ResNet 征向量 否 张量流 Hub 特征向量 否 张量流 Hub 特征向量 否 张量流 Hub ResNet V1 50 特征向量 否 张量流 Hub 特征向量 否 张量流 Hub 特征向量 否 张量流 Hub 特征向量 否 张量流 Hub - Object Detection Models
-
模型 精细 源 中心 否 张量流 Hub 中心网 1024x1024 关键点 否 张量流 Hub 512x512 否 张量流 Hub 中心网 512x512 关键点 否 张量流 Hub 中心信息网-V1-101 否 张量流 Hub 中心网树脂网-V1-50 否 张量流 Hub 中心网络信息网 V1-50 关键点 否 张量流 Hub 中心网树脂网-V2-50 否 张量流 Hub 中心网树脂网 V2-50 关键点 否 张量流 Hub 速度更快的 R-CNN 新闻网 V2 1024x1024 否 张量流 Hub 速度更快的 R-CNN 新闻网 V2 640x640 否 张量流 Hub 速度更快的 R-CNN 新闻网-101 V1 否 张量流 Hub 速度更快的 R-CNN 新闻网-101 V1 否 张量流 Hub 速度更快的 R-CNN 新闻网-101 V1 800x1333 否 张量流 Hub 速度更快的 R-CNN 树脂-152 V1 否 张量流 Hub 速度更快的 R-CNN 树脂-152 V1 否 张量流 Hub 速度更快的 R-CNN 树脂-152 V1 否 张量流 Hub 速度更快的 R-CNN 树脂-50 V1 1024x1024 否 张量流 Hub 速度更快的 R-CNN 树脂-50 V1 640x640 否 张量流 Hub 速度更快的 R-CNN 树脂-50 V1 800x1333 否 张量流 Hub 速度更快的 RCNN ResNet 101 V1D 否 葡萄肝病毒 更快的 RCNN 信 ResNet 50 V1b 否 葡萄肝病毒 FRCNN 移动网络 V3 大型 320 FPN 否 PyTorch 中的 FRCNN 移动网 V3 大型 FPN 否 PyTorch 中的 联邦有线电视 ResNet 否 PyTorch 中的 视网膜固态硬盘树脂-101 1024x1024 否 张量流 Hub 视网膜固态硬盘树脂-101 640x640 否 张量流 Hub 视网膜固态硬盘树脂-152 否 张量流 Hub 视网膜固态硬盘树脂-152 否 张量流 Hub 视网膜固态硬盘树脂-50 1024x1024 否 张量流 Hub 视网膜固态硬盘树脂-50 否 张量流 Hub SSD 否 PyTorch 中的 固态硬盘 512 ResNet 是 葡萄肝病毒 固态硬盘效率 D0 否 张量流 Hub 固态硬盘效率 D1 否 张量流 Hub SSD 效率 D2 否 张量流 Hub SSD 效率 D3 否 张量流 Hub 固态硬盘效率 D4 否 张量流 Hub 固态硬盘效率 D5 否 张量流 Hub 固态硬盘移动网 1.0 是 葡萄肝病毒 固态硬盘移动网 否 张量流 Hub SSD MobileNet V2 否 张量流 Hub 固态硬盘移动网 否 张量流 Hub 固态硬盘移动网 否 张量流 Hub 固态硬盘信 ResNet 是 葡萄肝病毒 固态硬盘巨型气象 16 亚力 300 是 葡萄肝病毒 固态硬盘巨型胶片 16 有色 512 是 葡萄肝病毒 YOLO V3 暗网 53 否 葡萄肝病毒 YOLO V3 移动网络 1.0 否 葡萄肝病毒
部署模型
当您从 JumpStart 部署模型时，SageMaker 会托管模型并部署可用于推理的端点。JumpStart 还提供了一个示例笔记本电脑，您可以在部署模型后使用该笔记本电脑进行访问。
模型部署配置
选择模型后，部署模型窗格打开。选择部署配置配置模型部署。
默认机器类型用于部署模型的依赖于模型。计算机类型是训练作业运行的硬件。在下面的示例中，ml.m5.large实例是此特定 BERT 模型的默认值。
您还可以更改终端节点名称.
微调模型
微调在新数据集上训练预训练的模型，而无需从头开始训练。此过程也称为转移学习，可以生成具有较小数据集和更少训练时间的精确模型。
微调数据源
微调模型时，您可以使用默认数据集或选择位于 S3 存储桶中的自己数据。
要浏览可供您使用的存储桶，请选择查找 S3 存储桶. 这些存储桶受到用于设置 Studio 帐户的权限的限制。您也可以通过选择输入 S3 存储桶位置.
要了解如何格式化存储桶中的数据，请选择了解更多. 此外，模型的描述部分还包含有关输入和输出的详细信息。
对于文本模型：
-
存储桶必须具有 data.csv 文件。
-
第一列必须是类标签的唯一整数。例如：1、2、3、4、n。
-
第二列必须是字符串。
-
第二列应具有与模型类型和语言相匹配的相应文本。
对于视觉模型：
-
存储桶的子目录数必须与类数相同。
-
每个子目录都应包含属于该类的 .jpg 格式的图像。
S3 存储桶必须位于同一Amazon您正在运行 SageMaker 工作室的区域，因为 SageMaker 不允许跨区域请求。
微调部署配置
推荐 p3 系列作为深度学习培训最快的产品，建议用于微调模型。下图显示了每种实例类型中 GPU 的数量。您可以从其他可用选项中进行选择，包括 p2 和 g4 实例类型。
| 实例类型 | GPU |
| p3.2xlarge | 1 |
| p3.8xlarge | 4 |
| p3.16xlarge | 8 |
| p3dn.24xlarge | 8 |
Hyperparameters
您可以自定义用于微调模型的培训作业的超参数。
如果对文本模型使用默认数据集而不更改超参数，则会得到几乎相同的模型。对于视觉模型，默认数据集与用于训练预训练模型的数据集不同，因此您的模型因此不同。
您有以下超参数选项：
-
纪元— 一个时代是整个数据集的一个循环。多个间隔完成一个批次，多个批次最终完成一个时代。多个周期运行，直到模型的精度达到可接受的水平，换句话说，当误差率降到可接受的水平以下时。
-
Learning rate (学习速率)— 值在各个周期之间应更改的量。随着模型的精细化，其内部权重将被推进，并检查误差率以查看模型是否有所改善。典型的学习率为 0.1 或 0.01，其中 0.01 是一个小得多的调整，可能会导致训练需要很长时间才能收敛，而 0.1 则大得多，并且可能导致训练过激。它是您可以为训练模型而调整的主要超参数之一。请注意，对于文本模型，学习率要小得多（BERT 为 5e-5）可以生成更精确的模型。
-
批处理大小— 要为每个间隔选择的数据集中要发送到训练中可用的 GPU 的记录数。在图像示例中，您可能会发送每个 GPU 32 张图像，因此批量大小为 32 张。如果您选择具有多个 GPU 的实例类型，则该批次除以 GPU 数。建议的批量大小因您使用的数据和模型而异。例如，对图像数据进行优化的方式与处理语言数据的方式不同。在部署配置部分的实例类型图表中，您可以查看每个实例类型的 GPU 数量。从标准建议的批量大小开始（例如，32 对于视觉模型）。然后，将其乘以您选择的实例类型中的 GPU 数。例如，如果您正在使用
p3.8xlarge，这将是 32（批量大小）*4（GPU），总计 128 作为根据 GPU 数量调整的批次大小。对于像 BERT 这样的文本模型，请尝试从批量大小 64 开始，然后根据需要进行减少。
训练输出
微调过程完成后，JumpStart 将提供有关模型的信息：父模型、培训作业名称、培训作业 Amazon 资源名称 (ARN)、培训时间和输出路径。输出路径是您可以在 S3 存储桶中找到新模型的位置。文件夹结构使用您提供的模型名称，模型文件位于/output子文件夹，并且它始终命名model.tar.gz.
示例：s3://bucket/model-name/output/model.tar.gz