SageMaker 工作流程 - Amazon SageMaker
AWS 文档中描述的 AWS 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 AWS 服务入门

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 工作流程

您可以使用 Amazon SageMaker Studio 和 Amazon SageMaker Python 开发工具包管理Amazon SageMaker您的训练和推理工作流。借助可用的工具,您可以简化SageMaker流程并将其集成到现有项目中。

支持以下工作流程技术。

  • Amazon SageMaker Model Building Pipelines: 的用于构建和管理端到端 ML 管道SageMaker的工具。

  • 空气流工作流:用于导出用于创建和管理空气流工作流的配置的 SageMaker APIs。

  • Kubernetes 编排:Kubernetes 集群的SageMaker自定义运算符以及 Kubeflow Pipelines 的自定义组件。

  • AWS Step Functions:在 Python 中创建多步骤机器学习工作流程,以协调 SageMaker 基础设施,而无需单独预配置您的资源。

有关管理SageMaker训练和推理的更多信息,请参阅 Amazon SageMaker Python 开发工具包工作流。