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。
# 示例和更多信息：使用自己的算法或模型
以下 Jupyter 笔记本和新增信息展示了如何使用您自己的算法或来自 Ama SageMaker zon 笔记本实例的预训练模型。有关包含预建的 TensorFlow、 MXNet、、Chainer 和 PyTorch框架的 Dockerfiles GitHub 存储库的链接，以及使用 适用于 Python (Boto3) 的 AWS SDK 估算器在 AI Learner 上运行自己的训练算法和在 SageMaker AI 托管上运行自己的模型的说明，请参阅 SageMaker [用于深度学习的预构建 SageMaker AI Docker 镜像](pre-built-containers-frameworks-deep-learning.md)
## 设置
1. 创建 SageMaker 笔记本实例。有关如何创建和访问 Jupyter 笔记本实例的说明，请参阅 [Amazon SageMaker 笔记本实例](nbi.md)。
1. 打开您创建的笔记本实例。
1. 选择 A **SageMaker I 示例**选项卡，查看所有 SageMaker AI 示例笔记本的列表。
1. 从笔记本实例的 “**高级功能**” 部分或 GitHub 使用提供的链接打开示例笔记本。要打开笔记本，请选择其 **Use (使用)** 选项卡，然后选择 **Create copy (创建副本)**。
## 托管在 Scikit-Learn 中训练的模型
要了解如何托管在 Scikit-Learn 中训练的模型，以便通过将模型注入第一方 k 均值和 XGBoost 容器来在 SageMaker AI 中进行预测，请参阅以下示例笔记本。
+ [kmeans\$1bring\$1your\$1own\$1model](https://github.com/awslabs/amazon-sagemaker-examples/tree/master/advanced_functionality/kmeans_bring_your_own_model)
+ [xgboost\$1bring\$1your\$1own\$1model](https://github.com/awslabs/amazon-sagemaker-examples/tree/master/advanced_functionality/xgboost_bring_your_own_model)
## 用于人工智能的 Package TensorFlow 和 Scikit-Learn 模型 SageMaker
要了解如何打包你开发的算法 TensorFlow 和 scikit-learn 框架，以便在 SageMaker AI 环境中进行训练和部署，请参阅以下笔记本。这些笔记本向您展示了如何使用 Dockerfile 构建、注册和部署您自己的 Docker 容器。
+ [tensorflow\$1bring\$1your\$1own](https://github.com/aws/amazon-sagemaker-examples/blob/main/advanced_functionality/tensorflow_iris_byom/tensorflow_BYOM_iris.ipynb)
+ [scikit\$1bring\$1your\$1own](https://github.com/awslabs/amazon-sagemaker-examples/tree/master/advanced_functionality/scikit_bring_your_own)
## 在 SageMaker AI 上训练和部署神经网络
要了解如何使用 MXNet 或在本地训练神经网络 TensorFlow，然后根据经过训练的模型创建端点并将其部署到 SageMaker AI 上，请参阅以下笔记本。该 MXNet 模型经过训练，可以识别来自 MNIST 数据集的手写数字。该 TensorFlow 模型经过训练，可以对虹膜进行分类。
+ [mxnet\$1mnist\$1byom](https://sagemaker.readthedocs.io/en/stable/frameworks/mxnet/using_mxnet.html)
+ [tensorflow\$1BYOM\$1iris](https://github.com/awslabs/amazon-sagemaker-examples/tree/master/advanced_functionality/tensorflow_iris_byom/tensorflow_BYOM_iris.ipynb)
## 使用管道模式进行训练
要了解如何使用 Dockerfile 构建调用 `train.py script` 的容器并使用管道模式自定义算法的训练，请参阅以下笔记本。在管道模式下，输入数据在训练时传输到算法。与使用文件模式相比，这可以减少训练时间。
+ [pipe\$1bring\$1your\$1own](https://github.com/aws/amazon-sagemaker-examples/blob/0efd885ef2a5c04929d10c5272681f4ca17dac17/advanced_functionality/pipe_bring_your_own/pipe_bring_your_own.ipynb)
## 自带 R 模型
要了解如何添加自定义 R 映像以在 AWS SMS 笔记本中构建和训练模型，请参阅以下博客文章。这篇博客文章使用了 [SageMaker AI Studio Classic 自定义图像](https://github.com/aws-samples/sagemaker-studio-custom-image-samples)样本库中的示例 R Dockerfile。
+ [将你自己的 R 环境带到 Amazon SageMaker Studio Classic](https://aws.amazon.com/blogs/machine-learning/bringing-your-own-r-environment-to-amazon-sagemaker-studio/)
## 扩展预先构建的 PyTorch 容器镜像
要了解当您的算法或模型有其他功能要求且预构建的 Docker 镜像不支持时，如何扩展预构建的 SageMaker AI PyTorch 容器镜像，请参阅以下笔记本。
+ [BERTtopic\$1扩展\$1容器](https://github.com/aws/amazon-sagemaker-examples/blob/0efd885ef2a5c04929d10c5272681f4ca17dac17/advanced_functionality/pytorch_extend_container_train_deploy_bertopic/BERTtopic_extending_container.ipynb)
有关扩展容器的更多信息，请参阅[扩展预构建容器](https://docs.aws.amazon.com/sagemaker/latest/dg/prebuilt-containers-extend.html)。
## 在自定义容器上训练和调试训练作业
要了解如何使用 Debu SageMaker gger 训练和调试训练作业，请参阅以下笔记本。通过此示例提供的训练脚本使用 TensorFlow Keras ResNet 50 模型和 CIFAR10 数据集。Docker 自定义容器使用训练脚本构建并推送至 Amazon ECR。在训练作业运行期间，Debugger 会收集张量输出并识别调试问题。使用 `smdebug` 客户端库工具，您可以设置 `smdebug` 试用对象，该对象调用训练作业和调试信息，检查训练和 Debugger 规则状态，并检索 Amazon S3 存储桶中保存的张量以分析训练问题。
+ [build\$1your\$1own\$1container\$1with\$1debugger](https://sagemaker-examples.readthedocs.io/en/latest/sagemaker-debugger/build_your_own_container_with_debugger/debugger_byoc.html)