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.
Trabalhos de treinamento personalizados
Em AWS, espera-se que o Amazon Rekognition, o Amazon Rekognition Custom Labels, o AI Canvas e o SageMaker AI SageMaker lidem com a maioria dos casos de treinamento de endpoints de classificação de imagens. Para trabalhos de treinamento que exigem mais controle sobre as propriedades do contêiner, você pode implantar um modelo de ML no Amazon Elastic Container Service (Amazon ECS) ou no Amazon Elastic Kubernetes Service (Amazon EKS).
Veja a seguir exemplos de situações que exigem mais controle sobre as propriedades do contêiner:
-
Você tem um modelo que carrega vários artefatos de modelo que são versionados separadamente. Por exemplo, você pode carregar um modelo de incorporação de frases usado para alimentar um classificador perceptron multicamada com versão separada e treinado nas incorporações.
-
Você tem um endpoint que não usa nem exige um artefato de modelo. Um caso seria um endpoint de agrupamento, que usa uma carga de dados e retorna rótulos de cluster. Isso ainda poderia ser servido por meio de SageMaker IA, mas você precisaria fornecer um caminho de artefato fictício do Amazon Simple Storage Service (Amazon S3), pois todo modelo de SageMaker IA deve ter um artefato associado.
-
Você quer usar um tipo de instância do Amazon Elastic Compute Cloud (Amazon EC2) que não seja compatível com IA. SageMaker Se você quiser usar um tipo de instância que não está disponível para endpoints de SageMaker IA, normalmente por motivos de custo ou desempenho, você pode usar o Amazon ECS ou o Amazon EKS para usar qualquer tipo de instância do Amazon EC2.
