Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
Pekerjaan pelatihan khusus
Pada AWS, Amazon Rekognition, Amazon Rekognition Custom Labels SageMaker , AI Canvas, SageMaker dan AI diharapkan menangani sebagian besar kasus untuk melatih titik akhir klasifikasi gambar. Untuk tugas pelatihan yang memerlukan kontrol lebih besar atas properti container, Anda dapat menerapkan model ML di Amazon Elastic Container Service (Amazon ECS) Service Elastic Container (Amazon ECS) atau Amazon Elastic Kubernetes Service (Amazon EKS).
Berikut ini adalah contoh situasi yang memerlukan kontrol lebih besar atas properti kontainer:
-
Anda memiliki model yang memuat beberapa artefak model yang diversi secara terpisah. Misalnya, Anda dapat memuat model penyematan kalimat yang digunakan untuk memberi makan pengklasifikasi perceptron multi-layer berversi terpisah yang dilatih pada penyematan.
-
Anda memiliki titik akhir yang tidak menggunakan atau memerlukan artefak model. Satu kasus akan menjadi titik akhir pengelompokan, yang mengambil muatan data dan mengembalikan label cluster. Ini masih dapat dilayani melalui SageMaker AI, tetapi Anda perlu menyediakan jalur artefak Amazon Simple Storage Service (Amazon S3) dummy karena setiap model SageMaker AI harus memiliki artefak terkait.
-
Anda ingin menggunakan jenis instans Amazon Elastic Compute Cloud (Amazon EC2) yang tidak didukung oleh AI. SageMaker Jika Anda ingin menggunakan jenis instans yang tidak tersedia untuk titik akhir SageMaker AI, biasanya karena alasan biaya atau kinerja, Anda dapat menggunakan Amazon ECS atau Amazon EKS untuk menggunakan jenis instans Amazon EC2 apa pun.
