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。

# トレーニングを有効にする
<a name="jumpstart-content-sharing-training"></a>

共有するモデルを追加する場合、オプションでトレーニング環境を提供し、組織内の共同作業者が共有モデルをトレーニングできるようにすることができます。

**注記**  
表形式モデルを追加する場合は、トレーニングを有効にするために列形式とターゲット列も指定する必要があります。

モデルに関する基本的な情報を入力したら、モデルのトレーニングに使用されるトレーニングジョブの設定を行う必要があります。例えば、トレーニングジョブの実行方法を制御するために、コンテナ環境、コードスクリプト、データセット、出力先、その他のさまざまなパラメータを指定します。トレーニングジョブの設定を行うには、次の手順に従ってください。

1. モデルのトレーニングに使用するコンテナを追加します。既存のトレーニングジョブに使用するコンテナの選択、Amazon ECR に独自のコンテナの持ち込み、Amazon SageMaker Deep Learning Container の使用ができます。

1. 環境変数を追加します。

1. トレーニングスクリプトの場所を指定します。

1. スクリプトモードのエントリポイントを指定します。

1. トレーニング中に生成されたモデルアーティファクトの Amazon S3 URI を指定します。

1. Amazon S3 URI をデフォルトのトレーニングデータセットに提供します。

1. モデル出力パスを指定します。モデル出力パスは、トレーニングから生成されたすべてのモデルアーティファクトの Amazon S3 URI パスである必要があります。SageMaker AI はモデルアーティファクトを Amazon S3 の単一の圧縮 tar ファイルとして保存されます。

1. トレーニング中のモデルの評価に使用する検証データセットを用意します。検証データセットには、トレーニングデータセットと同じ数の列と同じ機能ヘッダーが含まれている必要があります。

1. ネットワーク分離を有効にします。ネットワーク分離はモデルコンテナを分離し、モデルコンテナとの間で、着信または発信ネットワークコールを行うことはできません。

1. SageMaker AI がお客様のデータにアクセスできるトレーニングチャネルを指定します。例えば、`train` や `test` という名前の入力チャネルを指定できます。各チャネルに、チャネル名、およびデータの場所への URI を指定します。Amazon S3 ロケーションを検索するには、**[参照]** を選択します。

1. ハイパーパラメータを指定します。共同作業者がトレーニング中に試す必要のあるハイパーパラメータを追加します。これらのハイパーパラメータの有効な値の範囲を指定します。この範囲はトレーニングジョブのハイパーパラメータ検証に使用されます。ハイパーパラメータのデータ型に基づいて範囲を定義できます。

1. インスタンスタイプを選択します。大きなバッチサイズのトレーニングにはメモリが多い GPU インスタンスをお勧めします。AWS リージョン全体の SageMaker トレーニングインスタンスの包括的なリストについては、「[Amazon SageMaker の料金](https://aws.amazon.com/sagemaker/pricing/)」の「**オンデマンド料金**」テーブルを参照してください。。

1. メトリクスを提供してください。トレーニングジョブのメトリクスを定義するには、トレーニングで監視する各メトリクスの名前と正規表現を指定します。アルゴリズムが出力するメトリクスの値をキャプチャするように正規表現を設計します。例えば、メトリクスの `loss` には `"Loss =(.*?);"` という正規表現が含まれる場合があります。