Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris. # Tambahkan model Untuk menambahkan model, pilih **Dibagikan oleh organisasi saya**, lalu pilih **Tambah model** dari daftar tarik-turun **Tambah**. Masukkan informasi dasar untuk model Anda, dan tambahkan informasi pelatihan atau inferensi apa pun yang ingin Anda bagikan dengan kolaborator untuk melatih atau menerapkan model Anda. Setelah Anda memasukkan semua informasi yang diperlukan, pilih **Tambahkan model** di sudut kanan bawah layar. **Topics** + [ # Tambahkan informasi dasar ](jumpstart-content-sharing-info.md) + [ # Aktifkan pelatihan ](jumpstart-content-sharing-training.md) + [ # Aktifkan penerapan ](jumpstart-content-sharing-deployment.md) + [ # Tambahkan buku catatan ](jumpstart-content-sharing-notebooks.md) # Tambahkan informasi dasar Menambahkan model JumpStart melibatkan penyediaan beberapa informasi dasar tentang model yang ingin Anda latih. Informasi ini membantu menentukan karakteristik dan kemampuan model Anda, serta meningkatkan kemampuan untuk ditemukan dan dicari. Untuk membuat model baru, ikuti langkah-langkah ini: 1. Tambahkan judul untuk model ini. Menambahkan judul secara otomatis mengisi pengenal unik di bidang ID berdasarkan judul model. 1. Tambahkan deskripsi model. 1. Pilih tipe data dari opsi: *teks*, *visi*, *tabular*, atau *audio*. 1. Pilih tugas pembelajaran mesin dari daftar tugas yang tersedia, seperti *klasifikasi gambar* atau *pembuatan teks*. 1. Pilih kerangka pembelajaran mesin. 1. Tambahkan informasi metadata dengan kata kunci atau frasa untuk digunakan saat mencari model. Gunakan koma untuk memisahkan kata kunci. Setiap spasi secara otomatis diganti dengan koma. # Aktifkan pelatihan Saat menambahkan model untuk dibagikan, Anda dapat menyediakan lingkungan pelatihan secara opsional dan memungkinkan kolaborator di organisasi Anda untuk melatih model bersama. **catatan** Jika Anda menambahkan model tabular, Anda juga perlu menentukan format kolom dan kolom target untuk mengaktifkan pelatihan. Setelah memberikan detail dasar tentang model Anda, Anda harus mengonfigurasi pengaturan untuk pekerjaan pelatihan yang akan digunakan untuk melatih model Anda. Ini melibatkan menentukan lingkungan kontainer, skrip kode, kumpulan data, lokasi keluaran, dan berbagai parameter lainnya untuk mengontrol bagaimana pekerjaan pelatihan dijalankan. Untuk mengonfigurasi pengaturan pekerjaan pelatihan, ikuti langkah-langkah ini: 1. Tambahkan wadah untuk digunakan untuk pelatihan model. Anda dapat memilih wadah yang digunakan untuk pekerjaan pelatihan yang ada, membawa wadah Anda sendiri di Amazon ECR, atau menggunakan Amazon SageMaker Deep Learning Container. 1. Tambahkan variabel lingkungan. 1. Berikan lokasi skrip pelatihan. 1. Berikan titik masuk mode skrip. 1. Berikan URI Amazon S3 untuk artefak model yang dihasilkan selama pelatihan. 1. Berikan URI Amazon S3 ke kumpulan data pelatihan default. 1. Berikan jalur keluaran model. Jalur keluaran model harus berupa jalur URI Amazon S3 untuk artefak model apa pun yang dihasilkan dari pelatihan. SageMaker AI menyimpan artefak model sebagai file TAR terkompresi tunggal di Amazon S3. 1. Berikan kumpulan data validasi yang akan digunakan untuk mengevaluasi model Anda selama pelatihan. Kumpulan data validasi harus berisi jumlah kolom yang sama dan header fitur yang sama dengan kumpulan data pelatihan. 1. Nyalakan isolasi jaringan. Isolasi jaringan mengisolasi wadah model sehingga tidak ada panggilan jaringan masuk atau keluar yang dapat dilakukan ke atau dari wadah model. 1. Sediakan saluran pelatihan di mana SageMaker AI dapat mengakses data Anda. Misalnya, Anda dapat menentukan saluran input bernama `train` atau`test`. Untuk setiap saluran, tentukan nama saluran dan URI ke lokasi data Anda. Pilih **Jelajahi** untuk mencari lokasi Amazon S3. 1. Berikan hiperparameter. Tambahkan hiperparameter apa pun yang harus dilakukan kolaborator selama pelatihan. Berikan berbagai nilai yang valid untuk hiperparameter ini. Rentang ini digunakan untuk melatih validasi hyperparameter pekerjaan. Anda dapat menentukan rentang berdasarkan tipe data hyperparameter. 1. Pilih jenis instance. Kami merekomendasikan instans GPU dengan lebih banyak memori untuk pelatihan dengan ukuran batch besar. Untuk daftar lengkap instans SageMaker pelatihan di seluruh AWS Wilayah, lihat tabel **Harga Sesuai Permintaan di Harga** [Amazon SageMaker ](https://aws.amazon.com/sagemaker/pricing/). 1. Berikan metrik. Tentukan metrik untuk pekerjaan pelatihan dengan menentukan nama dan ekspresi reguler untuk setiap metrik yang dipantau pelatihan Anda. Rancang ekspresi reguler untuk menangkap nilai metrik yang dipancarkan algoritme Anda. Misalnya, metrik `loss` mungkin memiliki ekspresi reguler`"Loss =(.*?);"`. # Aktifkan penerapan Saat menambahkan model untuk dibagikan, Anda dapat secara opsional menyediakan lingkungan inferensi di mana kolaborator di organisasi Anda dapat menerapkan model bersama untuk inferensi. Setelah melatih model pembelajaran mesin Anda, Anda harus menerapkannya ke titik akhir Amazon SageMaker AI untuk inferensi. Ini melibatkan penyediaan lingkungan kontainer, skrip inferensi, artefak model yang dihasilkan selama pelatihan, dan memilih jenis instance komputasi yang sesuai. Mengkonfigurasi pengaturan ini dengan benar sangat penting untuk memastikan model yang Anda gunakan dapat membuat prediksi yang akurat dan menangani permintaan inferensi secara efisien. Untuk menyiapkan model Anda untuk inferensi, ikuti langkah-langkah berikut: 1. Tambahkan wadah untuk digunakan untuk inferensi. Anda dapat membawa wadah Anda sendiri di Amazon ECR atau menggunakan Amazon SageMaker Deep Learning Container. 1. Berikan URI Amazon S3 ke skrip inferensi. Skrip inferensi kustom berjalan di dalam wadah pilihan Anda. Skrip inferensi Anda harus menyertakan fungsi untuk pemuatan model, dan fungsi opsional menghasilkan prediksi, serta pemrosesan input dan output. Untuk informasi selengkapnya tentang membuat skrip inferensi untuk kerangka kerja pilihan Anda, lihat [Kerangka kerja](https://sagemaker.readthedocs.io/en/stable/frameworks/index.html) dalam dokumentasi Python SageMaker SDK. Misalnya, untuk TensorFlow, lihat [Cara mengimplementasikan handler pra- and/or pasca-pemrosesan.](https://sagemaker.readthedocs.io/en/stable/frameworks/tensorflow/deploying_tensorflow_serving.html#how-to-implement-the-pre-and-or-post-processing-handler-s) 1. Menyediakan URI Amazon S3 untuk artefak model. Artefak model adalah output yang dihasilkan dari pelatihan model, dan biasanya terdiri dari parameter terlatih, definisi model yang menjelaskan cara menghitung kesimpulan, dan metadata lainnya. Jika Anda melatih model Anda dalam SageMaker AI, artefak model disimpan sebagai file TAR terkompresi tunggal di Amazon S3. Jika Anda melatih model Anda di luar SageMaker AI, Anda perlu membuat file TAR terkompresi tunggal ini dan menyimpannya di lokasi Amazon S3. 1. Pilih jenis instance. Kami merekomendasikan instans GPU dengan lebih banyak memori untuk pelatihan dengan ukuran batch besar. Untuk daftar lengkap instans SageMaker pelatihan di seluruh AWS Wilayah, lihat tabel **Harga Sesuai Permintaan di Harga** [Amazon SageMaker ](https://aws.amazon.com/sagemaker/pricing/). # Tambahkan buku catatan Untuk menambahkan buku catatan, pilih **Dibagikan oleh organisasi saya**, lalu pilih **Tambahkan buku catatan** dari daftar tarik-turun **Tambah**. Masukkan informasi dasar untuk buku catatan Anda dan berikan URI Amazon S3 untuk lokasi buku catatan tersebut. Pertama, tambahkan informasi deskriptif dasar tentang buku catatan Anda. Informasi ini digunakan untuk meningkatkan kemampuan pencarian notebook Anda. 1. Tambahkan judul untuk buku catatan ini. Menambahkan judul secara otomatis mengisi pengenal unik di bidang ID berdasarkan judul buku catatan. 1. Tambahkan deskripsi notebook. 1. Pilih tipe data dari opsi: *teks*, *visi*, *tabular*, atau *audio*. 1. Pilih tugas ML dari daftar tugas yang tersedia, seperti *klasifikasi gambar* atau *pembuatan teks*. 1. Pilih kerangka kerja ML. 1. Tambahkan informasi metadata dengan kata kunci atau frasa untuk digunakan saat mencari buku catatan. Gunakan koma untuk memisahkan kata kunci. Setiap spasi secara otomatis diganti dengan koma. Setelah menentukan informasi dasar, Anda dapat memberikan URI Amazon S3 untuk lokasi buku catatan tersebut. Anda dapat memilih **Browse** untuk mencari melalui bucket Amazon S3 Anda untuk lokasi file notebook Anda. **Setelah menemukan buku catatan, salin URI Amazon S3, pilih **Batal**, lalu tambahkan URI Amazon S3 ke bidang Lokasi Notebook.** Setelah Anda memasukkan semua informasi yang diperlukan, pilih **Tambahkan buku catatan** di sudut kanan bawah.