View a markdown version of this page

Greifen Sie auf kuratierte Modell-Hubs in Amazon zu SageMaker JumpStart - Amazon SageMaker KI
Zugriff auf Ihren privaten Model-Hub in StudioGreifen Sie mit dem SageMaker Python-SDK auf Ihren privaten Model-Hub zu

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.

Greifen Sie auf kuratierte Modell-Hubs in Amazon zu SageMaker JumpStart

Sie können entweder über Studio oder über das SageMaker Python SDK auf einen privaten Model-Hub zugreifen.

Zugriff auf Ihren privaten Model-Hub in Studio

Wichtig

Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis nun Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich auf die Verwendung der aktualisierten Studio-Erfahrung. Informationen zur Verwendung der Studio-Classic-Anwendung finden Sie unter Amazon Studio Klassisch SageMaker.

Öffnen Sie in Amazon SageMaker Studio die JumpStart Landing Page entweder über die Startseite oder das Startmenü auf der linken Seite. Dadurch wird die SageMaker JumpStart Landingpage geöffnet, auf der Sie Model Hubs erkunden und nach Modellen suchen können.

  • Wählen Sie auf der Startseite JumpStart im Bereich Vordefinierte und automatisierte Lösungen die Option aus.

  • Navigieren Sie im linken Bereich über das Startmenü zum JumpStart Knoten.

Weitere Informationen zu den ersten Schritten mit Amazon SageMaker Studio finden Sie unterAmazon Studio SageMaker.

Auf der SageMaker JumpStart Landingpage in Studio können Sie sich alle privaten Model-Hubs ansehen, die Modelle für Ihr Unternehmen enthalten, die auf der Zulassungsliste stehen. Wenn Sie nur Zugriff auf einen Model Hub haben, werden Sie über die SageMaker JumpStart Landingpage direkt zu diesem Hub weitergeleitet. Wenn Sie Zugriff auf mehrere Hubs haben, werden Sie zur Hubs-Seite weitergeleitet.

Weitere Informationen zur Optimierung, Bereitstellung und Bewertung von Modellen, auf die Sie in Studio Zugriff haben, finden Sie unter Verwenden von Basismodellen in Studio.

Greifen Sie mit dem SageMaker Python-SDK auf Ihren privaten Model-Hub zu

Sie können mit dem SageMaker Python-SDK auf Ihren privaten Model-Hub zugreifen. Ihr Administrator stellt Ihnen den Zugriff zum Lesen, Verwenden oder Bearbeiten Ihres kuratierten Hubs bereit.

Anmerkung

Wenn ein Hub von mehreren Konten gemeinsam genutzt wird, muss HUB_NAME der Hub-ARN sein. Wenn ein Hub nicht von mehreren Konten gemeinsam genutzt wird, kann als HUB_NAME der Hub-Name verwendet werden.

  1. Installieren Sie das SageMaker Python-SDK und importieren Sie die erforderlichen Python-Pakete.

    # Install the SageMaker Python SDK
    !pip3 install sagemaker --force-reinstall --quiet
    
    # Import the necessary Python packages
    import boto3
    from sagemaker.core.helper.session_helper import Session
    from sagemaker.jumpstart.hub.hub import Hub
    from sagemaker.serve import ModelBuilder
    from sagemaker.train import ModelTrainer
    from sagemaker.core.jumpstart.configs import JumpStartConfig

  2. Initialisieren Sie eine SageMaker KI-Sitzung und stellen Sie mithilfe des Hub-Namens und der Region eine Verbindung zu Ihrem privaten Hub her.

    # 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. Nachdem Sie eine Verbindung zu einem privaten Hub hergestellt haben, können Sie mit den folgenden Befehlen eine Liste aller verfügbaren Modelle in diesem Hub aufrufen:

    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. Mit dem folgenden Befehl können Sie anhand des Modellnamens weitere Informationen zu einem bestimmten Modell abrufen:

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

Weitere Informationen zur Feinabstimmung und Bereitstellung von Modellen, auf die Sie mithilfe des SageMaker Python-SDK Zugriff haben, finden Sie unter. Verwenden Sie Fundamentmodelle mit SageMaker Python SDK