Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.
Trabajos de formación personalizados
On AWS, se espera que Amazon Rekognition, Amazon SageMaker Rekognition Custom Labels, SageMaker AI Canvas y AI se encarguen de la mayoría de los casos para entrenar los puntos finales de clasificación de imágenes. Para los trabajos de formación que requieren un mayor control sobre las propiedades del contenedor, puede implementar un modelo de aprendizaje automático en Amazon Elastic Container Service (Amazon ECS) o Amazon Elastic Kubernetes Service (Amazon EKS).
Los siguientes son ejemplos de situaciones que requieren un mayor control sobre las propiedades del contenedor:
-
Tiene un modelo que carga varios artefactos del modelo que se versionan por separado. Por ejemplo, puede cargar un modelo de incrustación de oraciones que se utilice para alimentar un clasificador de perceptrones multicapa con versiones independientes que esté entrenado en las incrustaciones.
-
Tiene un punto final que no utiliza ni requiere un artefacto modelo. Un caso sería un punto final de agrupamiento en clústeres, que toma una carga útil de datos y devuelve las etiquetas de los clústeres. Esto podría seguir sirviéndose a través de la SageMaker IA, pero tendrías que proporcionar una ruta de artefactos ficticia del Amazon Simple Storage Service (Amazon S3), ya que SageMaker cada modelo de IA debe tener un artefacto asociado.
-
Desea utilizar un tipo de instancia de Amazon Elastic Compute Cloud (Amazon EC2) que no sea compatible con la IA. SageMaker Si desea utilizar un tipo de instancia que no esté disponible para los puntos de enlace de SageMaker IA, normalmente por motivos de coste o rendimiento, puede utilizar Amazon ECS o Amazon EKS para utilizar cualquier tipo de instancia de Amazon EC2.
