Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
Tâches de formation personnalisées
On s' AWS attend à ce qu'Amazon Rekognition, Amazon SageMaker Rekognition Custom Labels, SageMaker AI Canvas et AI gèrent la plupart des cas liés à la formation des points de terminaison de classification d'images. Pour les tâches de formation qui nécessitent un meilleur contrôle des propriétés du conteneur, vous pouvez déployer un modèle de machine learning sur Amazon Elastic Container Service (Amazon ECS) ou Amazon Elastic Kubernetes Service (Amazon EKS).
Voici des exemples de situations qui nécessitent un meilleur contrôle des propriétés du conteneur :
-
Vous avez un modèle qui charge plusieurs artefacts de modèle qui sont versionnés séparément. Par exemple, vous pouvez charger un modèle d'intégration de phrases utilisé pour alimenter un classificateur de perceptron multicouche versionné séparément qui est entraîné sur les intégrations.
-
Vous avez un point de terminaison qui n'utilise pas ou n'exige aucun artefact de modèle. Un cas serait un point de terminaison de clustering, qui prend une charge utile de données et renvoie des étiquettes de cluster. Cela pourrait toujours être géré par l' SageMaker IA, mais vous devrez fournir un chemin d'artefact fictif Amazon Simple Storage Service (Amazon S3), car SageMaker chaque modèle d'IA doit être associé à un artefact.
-
Vous souhaitez utiliser un type d'instance Amazon Elastic Compute Cloud (Amazon EC2) qui n'est pas pris en charge par l'IA. SageMaker Si vous souhaitez utiliser un type d'instance qui n'est pas disponible pour les points de terminaison SageMaker AI, généralement pour des raisons de coût ou de performance, vous pouvez utiliser Amazon ECS ou Amazon EKS pour utiliser n'importe quel type d'instance Amazon EC2.
