本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

# 內建演算法的參數
<a name="common-info-all-im-models"></a>

下表會列出 Amazon SageMaker AI 所提供的每種演算法的參數。


| 演算法名稱 | 頻道名稱 | 訓練輸入模式 | 檔案類型 | 執行個體類別 | 可平行化 | 
| --- | --- | --- | --- | --- | --- | 
| AutoGluon - 自列表格 | 訓練和 (選擇性) 驗證 | 檔案 | CSV | GPU 或 CPU (限單一執行個體) | 否 | 
| BlazingText | 訓練 | 檔案或管道 | 文字檔 (一行一個句子，使用空格分隔權杖)  | GPU 或 CPU (限單一執行個體)  | 否 | 
| CatBoost | 訓練和 (選擇性) 驗證 | 檔案 | CSV | CPU (限單一執行個體) | 否 | 
| DeepAR 預測 | 訓練和 (選擇性) 測試 | 檔案 | JSON Lines 或 Parquet | CPU 或 GPU | 是 | 
| 分解機 | 訓練和 (選擇性) 測試 | 檔案或管道 | recordIO-protobuf | CPU (密集資料則 GPU) | 是 | 
| 影像分類 - MXNet | 訓練和驗證、(選擇性) train\_lst、validation\_lst 和模型 | 檔案或管道 | recordIO 或圖片檔 (.jpg 或 .png)  | GPU | 是 | 
| 影像分類 - TensorFlow | 訓練與驗證 | 檔案 | 影像檔案 (.jpg、.jpeg 或 .png)  | CPU 或 GPU | 是 (僅適用於單一執行個體上的多個 GPU) | 
| IP 深入分析 | 訓練和 (選擇性) 驗證 | 檔案 | CSV | CPU 或 GPU | 是 | 
| K 平均數 | 訓練和 (選擇性) 測試 | 檔案或管道 | recordIO-protobuf 或 CSV | CPU 或 GPUCommon (在一或多個執行個體上的單一 GPU 裝置) | 否 | 
| K-Nearest-Neighbors (k-NN) | 訓練和 (選擇性) 測試 | 檔案或管道 | recordIO-protobuf 或 CSV | CPU 或 GPU (在一或多個執行個體上的單一 GPU 裝置) | 是 | 
| LDA | 訓練和 (選擇性) 測試 | 檔案或管道 | recordIO-protobuf 或 CSV | CPU (限單一執行個體) | 否 | 
| LightGBM | 訓練和 (選擇性) 驗證 | 檔案 | CSV | CPU | 是 | 
| 線性學習程式 | 訓練和 (選擇性) 驗證、測試，或兩者兼具 | 檔案或管道 | recordIO-protobuf 或 CSV | CPU 或 GPU | 是 | 
| 神經主題模型 | 訓練和 (選擇性) 驗證、測試，或兩者兼具 | 檔案或管道 | recordIO-protobuf 或 CSV | CPU 或 GPU | 是 | 
| Object2Vec | 訓練和 (選擇性) 驗證、測試，或兩者兼具 | 檔案 | JSON 行  | GPU 或 CPU (限單一執行個體) | 否 | 
| 物件偵測 - MXNet | 訓練和驗證、(選擇性) train\_annotation、validation\_annotation 和模型 | 檔案或管道 | recordIO 或圖片檔 (.jpg 或 .png)  | GPU | 是 | 
| 物體偵測 - TensorFlow | 訓練與驗證 | 檔案 | 影像檔案 (.jpg、.jpeg 或 .png)  | GPU | 是 (僅適用於單一執行個體上的多個 GPU) | 
| PCA | 訓練和 (選擇性) 測試 | 檔案或管道 | recordIO-protobuf 或 CSV | CPU 或 GPU | 是 | 
| Random Cut Forest (隨機分割森林) | 訓練和 (選擇性) 測試 | 檔案或管道 | recordIO-protobuf 或 CSV | CPU | 是 | 
| 語義分段 | 訓練和驗證、train\_annotation、validation\_annotation 和 (選擇性) label\_map 與模型 | 檔案或管道 | 影像檔 | GPU (限單一執行個體) | 否 | 
| Seq2Seq Modeling | 訓練、驗證、詞彙 | 檔案 | recordIO-protobuf | GPU (限單一執行個體) | 否 | 
| TabTransformer | 訓練和 (選擇性) 驗證 | 檔案 | CSV | GPU 或 CPU (限單一執行個體) | 否 | 
| 文字分類 - TensorFlow | 訓練與驗證 | 檔案 | CSV | CPU 或 GPU | 是 (僅適用於單一執行個體上的多個 GPU) | 
| XGBoost (0.90-1, 0.90-2, 1.0-1, 1.2-1, 1.2-21) | 訓練和 (選擇性) 驗證 | 檔案或管道 | CSV、LibSVM 或 Parquet | CPU (或適用於 1.2-1 的 GPU) | 是 | 

可以將*可平行化*的演算法部署在多個運算執行個體來進行分散式訓練。

下列主題提供資料格式、建議的 Amazon EC2 執行個體類型，以及 Amazon SageMaker AI 所提供之所有內建演算法通用的 CloudWatch 日誌等相關資訊。

**注意**  
若要查詢 SageMaker AI 管理之內建演算法的 Docker 映像檔 URI，請參閱 [Docker 登錄檔路徑和範例程式碼](https://docs.aws.amazon.com/sagemaker/latest/dg-ecr-paths/sagemaker-algo-docker-registry-paths)。

**Topics**
+ [用於訓練的一般資料格式](cdf-training.md)
+ [推論的一般資料格式](cdf-inference.md)
+ [內建演算法的執行個體類型](cmn-info-instance-types.md)
+ [內建演算法的日誌](common-info-all-sagemaker-models-logs.md)