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。
自定义训练作业
在 AWS，预计亚马逊 Rekognition、Amazon Rekogniti SageMaker on 自定义标签、A SageMaker I Canvas 和 AI 将处理训练图像分类终端节点的大部分案例。对于需要对容器属性进行更多控制的训练作业，您可以在亚马逊弹性容器服务 (Amazon ECS) 或亚马逊 Elastic Kubernetes Service（亚马逊 EK S）上部署机器学习模型。
以下是需要对容器属性进行更多控制的情况示例：
-
您的模型可以加载多个单独版本控制的模型工件。例如，您可以加载句子嵌入模型，该模型用于为在嵌入上训练的单独版本化的多层感知器分类器提供信息。
-
您的端点不使用或不需要模型工件。一种情况是集群终端节点，它接受数据有效载荷并返回集群标签。这仍然可以通过 SageMaker AI 提供，但你需要提供一个虚拟的亚马逊简单存储服务 (Amazon S3) Simple Storage Service 工件路径，因为 SageMaker 每个 AI 模型都必须有一个关联的工件。
-
你想使用人工智能不支持的 SageMaker 亚马逊弹性计算云 (Amazon EC2) 实例类型。如果您想使用不适用于 SageMaker AI 终端节点的实例类型（通常出于成本或性能原因），则可以使用 Amazon ECS 或 Amazon EKS 来使用任何 Amazon EC2 实例类型。
