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 JumpStart
要对现有笔记本实例或 Studio 应用程序使用新功能，您必须重新启动笔记本实例或 Studio 应用程序才能获取最新更新。
您可以使用 SageMaker JumpStart，通过辅助一键式操作解决方案、示例笔记本和可部署的预训练模型来了解 SageMaker 的功能和特性。您还可以调整模型并部署它们。
要访问 JumpStart，您必须先启动 SageMaker Studio。JumpStart 功能在 SageMaker 笔记本实例中不可用，并且您无法通过 SageMaker APIs 或 AWS CLI 访问它们。
通过选择 JumpStart 图标 （JumpStart） 打开
） （在 左侧边栏中）。
在 file and resource browser （文件和资源浏览器）（左侧窗格）中，您可以找到 JumpStart 选项。从此处，您可以选择浏览 JumpStart 中的解决方案、模型、笔记本和其他资源，也可以查看当前启动的解决方案、终端节点和训练作业。
要查看 JumpStart 必须提供的服务，请选择 JumpStart 图标，然后选择 Browse JumpStart （浏览 AWS IoT）。JumpStart 将在主要工作区域中的新选项卡中打开。在这里，您可以浏览一键式解决方案、模型、示例笔记本、博客和视频教程。
Amazon SageMaker JumpStart 从第三方源提供特定内容。此内容可能受单独许可条款的约束。在下载或使用内容之前，您负责查看和遵守任何适用的许可条款，并确保它们对于您的使用案例是可接受的。
使用JumpStart
在 JumpStart 页面顶部，您可以使用搜索来查找感兴趣的主题。
您可以使用搜索查找 JumpStart 资源，也可以通过浏览搜索面板后面的每个类别来查找资源：
-
解决方案 一键式启动将 – 与其他 AWS 服务关联的端到端机器学习解决方案。SageMaker
-
文本模型 为各种自然语言处理使用案例部署和微调预训练的转换器。–
-
Vision models （视觉模型） – 一键式部署和微调预训练模型以进行图像分类和对象检测。
-
算法SageMaker 使用这些示例笔记本为各种问题类型训练和部署 – 内置算法。SageMaker
-
示例笔记本 运行使用 – 功能的示例笔记本，例如 Spot 实例训练和在大量模型类型和使用案例中的试验。SageMaker
-
博客 从由 Amazon 托管的机器学习专家中读取深入研究和解决方案。–
-
视频教程 – 观看有关 SageMaker 功能和机器学习使用案例的视频教程（来自由 Amazon 托管的机器学习专家）。
Solutions
选择解决方案时，JumpStart 会提供解决方案的描述和 Launch （启动） 按钮。没有配置选项。解决方案启动运行解决方案所需的所有资源，包括训练和模型托管实例。启动解决方案后，JumpStart 会提供一个指向笔记本的链接，您可以用来探索解决方案的功能。JumpStart您可以通过选择 Delete solution resources （删除解决方案资源） 来删除解决方案的所有资源。
Models
模型可用于直接从 JumpStart 快速部署。 您还可以微调其中一些模型。浏览这些模型时，您可以滚动到 deploy，将调整部分调整到 Description （描述） 部分。在 Description （描述） 部分中，您可以了解有关模型的更多信息，包括模型可以使用模型执行哪些操作、所需的输入和输出类型，以及如果您要使用迁移学习来优化模型，则需要哪些数据类型。
部署模型
当您从 JumpStart 部署模型时，SageMaker 托管模型并部署可用于推理的终端节点。JumpStart 还提供了一个示例笔记本，可用于在部署模型后访问模型。
模型部署配置
选择模型后，Deploy Model （部署模型） 窗格将打开。选择 Deployment Configuration （部署配置） 以配置您的模型部署。
用于部署模型的默认 Machine Type （机器类型） 取决于模型。计算机类型是运行训练作业的硬件。在以下示例中，ml.m5.large 实例是此特定 BERT 模型的默认值。
您还可以更改 Endpoint Name （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。此过程也称为迁移学习，可以生成具有较少数据集和较少训练时间的准确模型。
微调数据源
当您优化模型时，您可以使用默认数据集或选择您自己的数据（位于 S3 存储桶中）。
要浏览可供您使用的存储桶，请选择 Find S3 bucket （查找 S3 存储桶）。这些存储桶受用于设置 Studio 账户的权限的限制。您还可以通过选择 Enter S3 bucket location （输入 S3 存储桶位置） 来指定 S3 URI。
要了解如何设置 存储桶中的数据的格式，请选择 Learn more。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的类型和语言匹配的相应文本。
对于视觉模型：
-
存储桶必须具有与类数相同数量的子目录。
-
每个子目录都应包含属于该类的 .jpg 格式的图像。
S3 存储桶必须位于运行 SageMaker Studio 的同一 AWS 区域中，因为 SageMaker 不允许跨区域请求。
微调部署配置
p3 系列推荐作为深度学习训练的最快系列，推荐用于微调模型。下图显示了每种实例类型中的 GPUs 的数量。还有其他可用选项可供选择，包括 p2 和 g4 实例类型。
| 实例类型 | GPUs |
| p3.2xlarge | 1 |
| p3.8xlarge | 4 |
| p3.16xlarge | 8 |
| p3dn.24xlarge | 8 |
Hyperparameters
您可以自定义用于优化模型的训练作业超参数。
如果在不更改超参数的情况下将默认数据集用于文本模型，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，因此您的模型因此会有所不同。
您有以下超参数选项：
-
纪元 一个纪元是整个数据集的一个周期。–多个间隔完成一个批次，多个批次最终完成一个纪元。系统运行多个纪元，直到模型的准确性达到可接受的级别，换句话说，错误率下降到可接受的级别以下。
-
Learning rate （学习速率） – 应在纪元之间更改值的数量。随着模型的优化，将对该模型的内部权重进行轻移，并检查错误率以查看模型是否进行了改进。典型的学习速率为 0.1 或 0.01，其中 0.01 是大幅较小的调整，可能会导致训练需要很长时间才能收敛，而 0.1 的值大得多，并且可能导致训练覆盖。它是一个主要超参数，您可以对其进行调整以训练模型。请注意，对于文本模型，较低的学习率（对于 BERT 为 5e-5）可能会生成更准确的模型。
-
批处理大小 –为每个间隔选择的数据集中要发送到训练中可用的 GPUs 的记录数。在图像示例中，您可能会为每个 GPU 发送 32 个图像，因此，32 将是您的批处理大小。如果您选择具有多个 GPU 的实例类型，则批次将除以 GPUs 的数量。 推荐的批处理大小因您所使用的数据和模型而异。例如，图像数据的优化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中，您可以看到每个实例类型的 GPUs 数。从标准建议批处理大小开始（例如，对于视觉模型为 32）。然后，将此值乘以所选实例类型中的 GPUs 数量。例如，如果您使用的是
p3.8xlarge，则此值为 32（批处理大小）*4（GPU），根据 GPUs 的数量调整批处理大小时，合计为 128。 对于 BERT 之类的文本模型，请尝试从批处理大小为 64 开始，然后根据需要进行缩减。
训练输出
优化过程完成后，JumpStart 会提供有关模型的信息：父模型、训练作业名称、训练作业 Amazon 资源名称 （ARN）、训练时间和输出路径。输出路径是您可以在
S3 存储桶中找到您的新模型的位置。该文件夹结构使用您提供的模型名称，模型文件位于 /output 子文件夹中，并且始终名为 model.tar.gz。
示例：s3://bucket/model-name/output/model.tar.gz
后续步骤
要深入了解 Studio 功能，请执行以下操作：
-
Amazon SageMaker Studio 导览 – Studio 主要功能的端到端概述。SageMaker