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。

# 使用经过训练的模型生成新的模型构件
<a name="machine-learning-model-transform"></a>

使用 Neptune ML 模型转换命令，您可以使用预训练的模型参数计算模型构件，例如已处理的图形数据上的节点嵌入。

## 用于增量推理的模型转换
<a name="machine-learning-model-transform-incremental"></a>

在[增量模型推理工作流程](machine-learning-overview-evolving-data-incremental.md#machine-learning-overview-incremental)中，在处理完从 Neptune 导出的已更新的图形数据后，可以使用 curl（或 awscurl）命令启动模型转换任务，如下所示：

```
curl \
  -X POST https://(your Neptune endpoint)/ml/modeltransform
  -H 'Content-Type: application/json' \
  -d '{
        "id" : "(a unique model-training job ID)",
        "dataProcessingJobId" : "(the data-processing job-id of a completed job)",
        "mlModelTrainingJobId": "(the ML model training job-id)",
        "modelTransformOutputS3Location" : "s3://(your Amazon S3 bucket)/neptune-model-transform/"
      }'
```

然后，您可以将此任务的 ID 传递给 create-endpoints API 调用，以创建新的端点，或者使用此任务生成的新模型构件更新现有端点。这允许新的或更新的端点为更新后的图形数据提供模型预测。

## 适用于任何训练任务的模型转换
<a name="machine-learning-model-transform-any-job"></a>

还可以提供一个 `trainingJobName` 参数，为在 Neptune ML 模型训练期间启动的任何 SageMaker AI 训练作业生成模型构件。由于 Neptune ML 模型训练作业可能会潜在启动许多 SageMaker AI 训练作业，因此您可以灵活地基于任何 SageMaker AI 训练作业创建推理端点。

例如：

```
curl \
  -X POST https://(your Neptune endpoint)/ml/modeltransform
  -H 'Content-Type: application/json' \
  -d '{
        "id" : "(a unique model-training job ID)",
        "trainingJobName" : "(name a completed SageMaker AI training job)",
        "modelTransformOutputS3Location" : "s3://(your Amazon S3 bucket)/neptune-model-transform/"
      }'
```

如果原始训练任务是针对用户提供的自定义模型，则在调用模型转换时必须包含一个 `customModelTransformParameters` 对象。有关如何实现和使用自定义模型的信息，请参阅[Neptune ML 中的自定义模型](machine-learning-custom-models.md)。

**注意**  
`modeltransform` 命令始终在最适合该训练的 SageMaker AI 训练作业上运行模型转换。

有关模型转换任务的更多信息，请参阅[modeltransform 命令](machine-learning-api-modeltransform.md)。