Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.
Lavori di formazione personalizzati
Inoltre AWS, Amazon Rekognition, Amazon SageMaker Rekognition Custom Labels, SageMaker AI Canvas e AI dovrebbero gestire la maggior parte dei casi di formazione degli endpoint di classificazione delle immagini. Per i lavori di formazione che richiedono un maggiore controllo sulle proprietà dei container, puoi implementare un modello di machine learning su Amazon Elastic Container Service (Amazon ECS) o Amazon Elastic Kubernetes Service (Amazon EKS).
Di seguito sono riportati alcuni esempi di situazioni che richiedono un maggiore controllo sulle proprietà del contenitore:
-
Avete un modello che carica più artefatti del modello con versioni separate. Ad esempio, potreste caricare un modello di incorporamento di frasi utilizzato per alimentare un classificatore perceptron multistrato con versioni separate che viene addestrato sugli incorporamenti.
-
Avete un endpoint che non utilizza né richiede un artefatto del modello. Un caso potrebbe essere un endpoint di clustering, che accetta un payload di dati e restituisce le etichette del cluster. Ciò potrebbe comunque essere fornito tramite l' SageMaker intelligenza artificiale, ma sarebbe necessario fornire un percorso di artefatto fittizio di Amazon Simple Storage Service (Amazon S3) perché ogni modello di SageMaker intelligenza artificiale deve avere un artefatto associato.
-
Vuoi usare un tipo di istanza Amazon Elastic Compute Cloud (Amazon EC2) che non è supportato dall'IA. SageMaker Se desideri utilizzare un tipo di istanza che non è disponibile per gli endpoint SageMaker AI, in genere per motivi di costi o prestazioni, puoi utilizzare Amazon ECS o Amazon EKS per utilizzare qualsiasi tipo di istanza Amazon EC2.
