翻訳は機械翻訳により提供されています。提供された翻訳内容と英語版の間で齟齬、不一致または矛盾がある場合、英語版が優先します。
カスタムトレーニングジョブ
では AWS、Amazon Rekognition、Amazon Rekognition Custom Labels、SageMaker AI Canvas、および SageMaker AI が、トレーニングイメージ分類エンドポイントのほとんどのケースを処理することが期待されます。コンテナプロパティをより詳細に制御する必要があるトレーニングジョブの場合、ML モデルを Amazon Elastic Container Service (Amazon ECS) または Amazon Elastic Kubernetes Service (Amazon EKS) にデプロイできます。
以下は、コンテナプロパティをより詳細に制御する必要がある状況の例です。
-
個別にバージョニングされた複数のモデルアーティファクトをロードするモデルがあります。たとえば、埋め込みでトレーニングされた個別にバージョン管理された多層パーセプトロン分類子を供給するために使用される文埋め込みモデルをロードできます。
-
モデルアーティファクトを使用または必要としないエンドポイントがある。1 つのケースは、データペイロードを受け取り、クラスターラベルを返すクラスタリングエンドポイントです。これは引き続き SageMaker AI を通じて提供できますが、すべての SageMaker AI モデルにアーティファクトが関連付けられている必要があるため、ダミーの Amazon Simple Storage Service (Amazon S3) アーティファクトパスを提供する必要があります。
-
SageMaker AI でサポートされていない Amazon Elastic Compute Cloud (Amazon EC2) インスタンスタイプを使用します。通常、コストまたはパフォーマンス上の理由から、SageMaker AI エンドポイントで使用できないインスタンスタイプを使用する場合は、Amazon ECS または Amazon EKS を使用して任意の Amazon EC2 インスタンスタイプを使用できます。
