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.
Modèle de programmation pour Amazon SageMaker AI
La création d’appels d’API directement à partir de code est fastidieuse et exige l’écriture de code pour authentifier vos demandes. Amazon SageMaker AI propose les alternatives suivantes :
-
Utiliser la console SageMaker AI : avec la console, vous n'écrivez aucun code. Vous utilisez l’interface utilisateur de la console pour démarrer l’entraînement des modèles ou déployer un modèle. La console fonctionne bien pour les travaux simples, où vous utilisez un algorithme d’entraînement intégré, et où vous n’avez pas besoin de prétraiter les données d’entraînement.
-
Modifier l'exemple de blocs-notes Jupyter — SageMaker AI fournit plusieurs blocs-notes Jupyter qui entraînent et déploient des modèles à l'aide d'algorithmes et de jeux de données spécifiques. Commencez avec un bloc-notes qui dispose d’un algorithme approprié et modifiez-le en fonction de votre source de données et de vos besoins spécifiques.
-
Rédigez du code d'apprentissage et d'inférence de modèles en partant de zéro — SageMaker AI propose plusieurs langages de AWS SDK (répertoriés dans la présentation) et le SDK Amazon SageMaker Python
, une bibliothèque Python de haut niveau que vous pouvez utiliser dans votre code pour démarrer des tâches de formation de modèles et déployer les modèles qui en résultent. -
Le SDK SageMaker Python : cette bibliothèque Python simplifie la formation et le déploiement des modèles. En plus d’authentifier vos demandes, la bibliothèque extrait les spécificités de plate-forme en fournissant des méthodes simples et des paramètres par défaut. Par exemple :
-
Pour déployer votre modèle, vous appelez seulement la méthode
deploy(). Le procédé crée un artefact de modèle d' SageMaker IA, une configuration de point de terminaison, puis déploie le modèle sur un point de terminaison. -
Si vous utilisez un script d’infrastructure personnalisé pour l’entraînement de modèle, vous appelez la méthode
fit(). La méthode crée un fichier .gzip de votre script, le charge vers un emplacement Amazon S3, puis l'exécute pour l'entraînement du modèle et d'autres tâches. Pour de plus amples informations, veuillez consulter Cadres et langages de machine learning. -
Pour définir les valeurs par défaut pour les appels d' SageMaker API effectués par le SDK SageMaker AI Python, vous utilisez un dictionnaire de configuration par défaut. Pour plus d'informations, consultez Configuration et utilisation des valeurs par défaut avec le SDK SageMaker
Python.
-
-
Les AWS kits de développement logiciel : les kits de développement logiciel fournissent des méthodes qui correspondent à l' SageMaker API (voir
Operations). Utilisez les SDK pour démarrer par programmation une tâche de formation sur un modèle et héberger le modèle dans AI. SageMaker Les clients du kit SDK gèrent l’authentification à votre place, vous n’avez donc pas besoin d’écrire de code d’authentification. Ces kits sont disponibles en plusieurs langues et pour plusieurs plates-formes. Pour plus d’informations, consultez la liste précédente dans la présentation.
DansGuide pour configurer Amazon SageMaker AI, vous entraînez et déployez un modèle à l'aide d'un algorithme fourni par SageMaker l'IA. Cet exercice montre comment utiliser ces deux bibliothèques. Pour de plus amples informations, veuillez consulter Guide pour configurer Amazon SageMaker AI.
-
-
Intégrez SageMaker l'IA à votre flux de travail Apache Spark — SageMaker AI fournit une bibliothèque permettant d'appeler ses API depuis Apache Spark. Il vous permet d'utiliser des SageMaker AI-based estimateurs dans un pipeline Apache Spark. Pour de plus amples informations, veuillez consulter Apache Spark avec Amazon SageMaker AI.
