As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá. # Criação de um modelo treinado no AWS Clean Rooms ML Pré-requisitos: + E Conta da AWS com acesso a AWS Clean Rooms + Uma colaboração configurada em AWS Clean Rooms + Um algoritmo de modelo configurado associado à colaboração + Pelo menos um canal de entrada de ML configurado + Permissões apropriadas para criar e gerenciar modelos de ML na colaboração Depois de associar o algoritmo do modelo configurado a uma colaboração e, em seguida, criar e configurar um canal de entrada de ML, você estará pronto para criar um modelo treinado. Um *modelo treinado* é usado por membros de uma colaboração para analisar seus dados em conjunto. Você pode criar um modelo treinado usando o procedimento a seguir. Como alternativa, você pode usar o treinamento incremental para melhorar um modelo existente com novos dados ou o treinamento distribuído para treinar modelos em várias instâncias de computação. **Topics** + [Usando o treinamento incremental no AWS Clean Rooms ML](use-incremental-training.md) + [Usando treinamento distribuído no AWS Clean Rooms ML](use-distributed-training.md) ------ #### [ Console ] **Para criar um modelo treinado (console)** 1. Faça login no Console de gerenciamento da AWS e abra o AWS Clean Rooms console em [https://console.aws.amazon.com/cleanrooms](https://console.aws.amazon.com/cleanrooms/home). 1. No painel de navegação à esquerda, escolha **Colaborações**. 1. Na página **Colaborações**, escolha a colaboração em que você deseja criar um modelo treinado. 1. Depois que a colaboração for aberta, escolha a guia **Modelos de ML**. 1. Em **Modelos de ML personalizados**, na seção **Modelos treinados**, escolha **Criar modelo treinado**. 1. Na página **Criar modelo treinado**, em **Algoritmo de modelo associado**, especifique o algoritmo. 1. Para obter **detalhes do modelo treinado**, insira o seguinte: 1. Em **Nome**, insira um nome exclusivo para o modelo na colaboração. 1. (Opcional) Em **Descrição**, insira uma descrição do modelo treinado. 1. Para o **modo de entrada de dados de treinamento**, escolha uma das seguintes opções: + Selecione **Arquivo** se você tiver um conjunto de dados menor que possa caber no volume de armazenamento de ML e preferir o acesso tradicional ao sistema de arquivos para seu script de treinamento. + Selecione **Pipe** para grandes conjuntos de dados para transmitir dados diretamente do S3, evitando a necessidade de baixar tudo em disco, o que pode melhorar a velocidade de treinamento e reduzir os requisitos de armazenamento. + Selecione **FastFile**se quiser combinar os benefícios do streaming do S3 com o acesso ao sistema de arquivos, especialmente para dados lidos sequencialmente ou ao lidar com menos arquivos para tempos de inicialização mais rápidos. 1. Para obter **detalhes do canal de entrada ML**, faça o seguinte: 1. Para o **canal de entrada ML**, especifique o canal de entrada ML que fornece dados para o algoritmo do modelo. Para adicionar outro canal, escolha **Adicionar outro canal de entrada de ML**. Você pode adicionar até 19 canais de entrada de ML adicionais. 1. Em **Nome do canal**, insira o nome do canal de entrada ML. 1. Para o **tipo de distribuição de dados do Amazon S3**, escolha uma das seguintes opções: + Selecione **Totalmente replicado** para fornecer a cada instância de treinamento uma cópia completa do seu conjunto de dados. Isso funciona melhor quando seu conjunto de dados é pequeno o suficiente para caber na memória ou quando cada instância precisa acessar todos os dados. + Selecione **Sharded by S3 key** para dividir seu conjunto de dados entre instâncias de treinamento com base nas chaves S3. Cada instância recebe cerca de 1/n do total de objetos do S3, onde 'n' é o número de instâncias. Isso funciona melhor para grandes conjuntos de dados que você deseja processar paralelamente. **nota** Considere o tamanho do conjunto de dados e os requisitos de treinamento ao selecionar um tipo de distribuição. **Totalmente replicado** fornece acesso completo aos dados, mas requer mais armazenamento, enquanto o **Sharded by S3 key** permite o processamento distribuído de grandes conjuntos de dados. 1. Em **Duração máxima do treinamento**, escolha a quantidade máxima de tempo em que você deseja treinar seu modelo. 1. Para **Hiperparâmetros**, especifique quaisquer parâmetros específicos do algoritmo e seus valores pretendidos. Os hiperparâmetros são específicos para o modelo que está sendo treinado e são usados para ajustar o treinamento do modelo. 1. Para **variáveis de ambiente**, especifique quaisquer variáveis específicas do algoritmo e seus valores pretendidos. As variáveis de ambiente são definidas no contêiner do Docker. 1. Em **Criptografia**, para usar um personalizado AWS KMS key, marque a caixa de seleção **Criptografar segredo com uma chave KMS personalizada**. 1. Para a **configuração de recursos do EC2**, especifique as informações sobre os recursos computacionais que são usados para treinamento de modelos. 1. Em **Tipo de instância**, escolha o tipo de instância que você deseja executar. 1. Em **Contagem de instâncias**, insira o número de instâncias. 1. **Em Tamanho do volume em GB**, insira o tamanho do volume de armazenamento ML. 1. Escolha **Criar modelo treinado**. ------ #### [ API ] Para criar um modelo treinado (API) O membro com a capacidade de treinar um modelo começa a treinar selecionando o canal de entrada de ML e o algoritmo do modelo. Execute o código a seguir com seus parâmetros específicos: ``` import boto3 acr_ml_client= boto3.client('cleanroomsml') acr_ml_client.create_trained_model( membershipIdentifier= '{{membership_id}}', configuredModelAlgorithmAssociationArn = 'arn:aws:cleanrooms-ml:{{region}}:{{account}}:{{membership}}/membershipIdentifier/configured-model-algorithm-association/{{identifier}}', name='{{trained_model_name}}', resourceConfig={ 'instanceType': "ml.m5.xlarge", 'volumeSizeInGB': 1 }, dataChannels=[ { "mlInputChannelArn": channel_arn_1, "channelName": "{{channel_name}}" }, { "mlInputChannelArn": channel_arn_2, "channelName": "{{channel_name}}" } ] ) ``` ------ **nota** Depois que o modelo treinado for criado, você não poderá editá-lo. Para fazer alterações, exclua o modelo treinado e crie um novo.