Adicionar modelos a um hub privado - SageMaker Inteligência Artificial da Amazon

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.

Adicionar modelos a um hub privado

Depois de criar um hub privado, você pode adicionar os modelos permitidos. Para ver a lista completa dos JumpStart modelos disponíveis, consulte a tabela de algoritmos integrados com modelos pré-treinados na referência do SDK para SageMaker Python.

  1. Você pode filtrar os modelos disponíveis de forma programática usando o método hub.list_sagemaker_public_hub_models(). Você pode filtrar de outra maneira por categorias, como estrutura ("framework == pytorch"), tarefas, por exemplo, classificação de imagens ("task == ic") e muito mais. Para obter mais informações sobre os filtros, consulte notebook_utils.py. O parâmetro de filtros no método hub.list_sagemaker_public_hub_models() é opcional. 

    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)

  2. Em seguida, você pode adicionar os modelos filtrados ao definir o ARN do modelo no método 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"))