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.

# Aggiunta di modelli a un hub privato
<a name="jumpstart-curated-hubs-admin-guide-add-models"></a>

Dopo aver creato un hub privato, puoi aggiungere i modelli consentiti. Per l'elenco completo dei JumpStart modelli disponibili, consulta la [tabella degli algoritmi integrati con modelli preaddestrati](https://sagemaker.readthedocs.io/en/stable/doc_utils/pretrainedmodels.html) nel riferimento SageMaker Python SDK.

1. È possibile filtrare i modelli disponibili a livello di codice utilizzando il metodo `hub.list_sagemaker_public_hub_models()`. Facoltativamente, puoi filtrare per categorie come framework (`"framework == pytorch"`), attività come la classificazione delle immagini (`"task == ic"`) e altro. Per ulteriori informazioni sui filtri, consultare [https://github.com/aws/sagemaker-python-sdk/blob/master/src/sagemaker/jumpstart/notebook_utils.py](https://github.com/aws/sagemaker-python-sdk/blob/master/src/sagemaker/jumpstart/notebook_utils.py). Il parametro del filtro nel metodo `hub.list_sagemaker_public_hub_models()` è facoltativo. 

   ```
   filter_value = {{"framework == meta"}}
   response = hub.list_sagemaker_public_hub_models(filter={{filter_value}})
   models = response["hub_content_summaries"]
   while response["next_token"]:
       response = hub.list_sagemaker_public_hub_models(filter=filter_value, next_token=response["next_token"])
       models.extend(response["hub_content_summaries"])
   
   print(models)
   ```

1. È quindi possibile aggiungere i modelli filtrati specificando l’ARN del modello nel metodo `hub.create_model_reference()`.

   ```
   for model in models:
       print(f"Adding {model.get('hub_content_name')} to Hub")
       hub.create_model_reference(model_arn=model.get("hub_content_arn"), model_name=model.get("hub_content_name"))
   ```