Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
Maßgeschneiderte Schulungsjobs
In Bezug auf AWS Amazon Rekognition, Amazon Rekognition Custom Labels, SageMaker AI Canvas und SageMaker KI werden voraussichtlich die meisten Fälle für das Training von Endpunkten zur Bildklassifizierung bearbeiten. Für Trainingsaufgaben, die mehr Kontrolle über die Container-Eigenschaften erfordern, können Sie ein ML-Modell auf Amazon Elastic Container Service (Amazon ECS) oder Amazon Elastic Kubernetes Service (Amazon EKS) bereitstellen.
Im Folgenden finden Sie Beispiele für Situationen, in denen mehr Kontrolle über die Container-Eigenschaften erforderlich ist:
-
Sie haben ein Modell, das mehrere Modellartefakte lädt, die separat versioniert werden. Sie könnten beispielsweise ein Modell zur Einbettung von Sätzen laden, das verwendet wird, um einen separat versionierten mehrschichtigen Perzeptron-Klassifikator zu speisen, der auf die Einbettungen trainiert ist.
-
Sie haben einen Endpunkt, der kein Modellartefakt verwendet oder benötigt. Ein Fall wäre ein Clustering-Endpunkt, der eine Datennutzlast aufnimmt und Cluster-Labels zurückgibt. Dies könnte immer noch über SageMaker KI bereitgestellt werden, aber Sie müssten einen Dummy-Artefaktpfad für Amazon Simple Storage Service (Amazon S3) bereitstellen, da jedes SageMaker KI-Modell über ein zugeordnetes Artefakt verfügen muss.
-
Sie möchten einen Amazon Elastic Compute Cloud (Amazon EC2) Instance-Typ verwenden, der nicht von SageMaker KI unterstützt wird. Wenn Sie einen Instance-Typ verwenden möchten, der für SageMaker KI-Endpunkte nicht verfügbar ist, in der Regel aus Kosten- oder Leistungsgründen, können Sie Amazon ECS oder Amazon EKS verwenden, um einen beliebigen Amazon EC2 EC2-Instance-Typ zu verwenden.
