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.

# Compilar un modelo (Amazon SageMaker AI SDK)
<a name="neo-job-compilation-sagemaker-sdk"></a>

 Puede usar la [https://sagemaker.readthedocs.io/en/stable/api/training/estimators.html?#sagemaker.estimator.Estimator.compile_model](https://sagemaker.readthedocs.io/en/stable/api/training/estimators.html?#sagemaker.estimator.Estimator.compile_model)API del [SDK de Amazon SageMaker AI para Python](https://sagemaker.readthedocs.io/en/stable/) a fin de compilar un modelo entrenado y optimizarlo para un hardware de destino específico. La API debe invocarse en el objeto estimador utilizado durante el entrenamiento del modelo. 

**nota**  
Debe establecer la variable de `MMS_DEFAULT_RESPONSE_TIMEOUT` entorno en `500` al compilar el modelo con PyTorch MXNet o. La variable de entorno no es necesaria para. TensorFlow 

 El siguiente es un ejemplo de cómo se puede compilar un modelo con el objeto `trained_model_estimator`: 

```
# Replace the value of expected_trained_model_input below and
# specify the name & shape of the expected inputs for your trained model
# in json dictionary form
expected_trained_model_input = {'data':[1, 784]}

# Replace the example target_instance_family below to your preferred target_instance_family
compiled_model = trained_model_estimator.compile_model(target_instance_family='ml_c5',
        input_shape=expected_trained_model_input,
        output_path='insert s3 output path',
        env={'MMS_DEFAULT_RESPONSE_TIMEOUT': '500'})
```

El código compila el modelo, guarda el modelo optimizado y crea un modelo de SageMaker IA que se puede implementar en un punto final. `output_path`