本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

# AWS Clean Rooms ML 中的自定义建模
<a name="working-with-custom-models"></a>

从技术角度来看，下图描述了自定义 ML 建模在 AWS Clean Rooms ML 中的工作原理。

![概述 AWS Clean Rooms ML 如何使用自定义模型。](http://docs.aws.amazon.com/zh_cn/clean-rooms/latest/userguide/images/byomHowItWorks.png)


以下是自定义 ML 建模在 Clean Rooms ML 中的工作原理：

1. 数据源配置
   + 源数据可以存储在 Amazon S3 目录中 AWS Glue Data Catalog、或 Snowflake 中
   + AWS Glue Data Catalog 用于整理和编目
   + 多个数据 AWS 账户 可以在同一个协作中使用

1. SQL 查询和数据处理
   + SQL 查询用于访问和处理源数据
   + 查询在 AWS Clean Rooms 协作边界内运行
   + 处理后的数据馈入 ML 输入通道以进行模型训练

1. 机器学习模型开发
   + 可以使用 AWS 深度学习容器映像开发模型的源代码
   + 必须创建自定义容器镜像并将其存储在 Amazon 弹性容器注册表中

1. 基础设施组件
   + Amazon 弹性容器注册表存储和管理 ML 模型容器
   + 机器学习处理发生在安全的 AWS Clean Rooms 协作环境中

1. 监控和日志记录
   + Amazon CloudWatch 为双方合作方提供指标和日志
   + 协作 AWS 账户 参与者均可进行监控
   + 相关方可以访问性能指标和操作日志

1. 结果管理
   + 对结果的访问权限根据协作权限进行控制

在开始之前，请参阅[自定义 ML 建模先决条件](custom-model-prerequisites.md)和，了解[训练容器的模型创作指南](custom-model-guidelines.md)更多信息。