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。

# 了解在 Amazon SageMaker AI 中部署模型和取得推論的選項
<a name="deploy-model-get-started"></a>

為了協助您開始使用 SageMaker AI 推論，請參閱下列各節說明在 SageMaker AI 中部署模型和取得推論的選項。[Amazon SageMaker AI 中的推論選項](deploy-model-options.md)章節可協助您判斷哪個功能最適合您的推論使用案例。

您可以參閱[資源](inference-resources.md)區段以獲取更多故障診斷和參考資訊、部落格和範例，以協助您開始入門，還有常見的問題集。

**Topics**
+ [開始之前](#deploy-model-prereqs)
+ [模型部署的步驟](#deploy-model-steps)
+ [Amazon SageMaker AI 中的推論選項](deploy-model-options.md)
+ [使用 Amazon SageMaker AI 進行推論的進階端點選項](deploy-model-advanced.md)
+ [使用 Amazon SageMaker AI 進行推論的後續步驟](deploy-model-next-steps.md)

## 開始之前
<a name="deploy-model-prereqs"></a>

這些主題假設您已建立及訓練一或多個機器學習模型，並準備好進行部署。您不需要在 SageMaker AI 中訓練模型，即可在 SageMaker AI 中部署模型並取得推論。如果您沒有自己的模型，也可以使用 SageMaker AI 的[內建演算法或預先訓練模型](https://docs.aws.amazon.com/sagemaker/latest/dg/algos.html)。

如果您是初次使用 SageMaker AI，且尚未挑選要部署的模型，請執行 [Amazon SageMaker AI 入門](https://docs.aws.amazon.com/sagemaker/latest/dg/gs.html)教學課程中的步驟。使用教學課程來熟悉 SageMaker AI 如何管理資料科學程序，以及如何處理模型部署。如需有關訓練模型的詳細資訊，請參閱[訓練模型](https://docs.aws.amazon.com/sagemaker/latest/dg/train-model.html)。

如需其他資訊、參考和範例，請參閱[資源](inference-resources.md)。

## 模型部署的步驟
<a name="deploy-model-steps"></a>

對於推論端點，一般工作流程由以下項目組成：
+ 透過指向存放在 Amazon S3 中的模型成品和容器映像，在 SageMaker AI 推論中建立模型。
+ 選取推論選項。如需詳細資訊，請參閱[Amazon SageMaker AI 中的推論選項](deploy-model-options.md)。
+ 透過選擇端點後面所需的執行個體類型和執行個體數目，建立 SageMaker AI 推論端點組態。您可以使用 [Amazon SageMaker Inference Recommender](https://docs.aws.amazon.com/sagemaker/latest/dg/inference-recommender.html) 執行個體類型以取得建議。對於無伺服器推論，您只需要根據您的模型大小提供所需的記憶體組態。
+ 建立 SageMaker AI 推論端點。
+ 調用您的端點以接收推論作為回應。

以下圖表顯示上述工作流程。

![\[前段所述的工作流程，顯示如何從 SageMaker AI 取得推論。\]](http://docs.aws.amazon.com/zh_tw/sagemaker/latest/dg/images/inference-workflow-flowchart.png)


您可以使用 AWS 主控台、 AWS SDKs、SageMaker Python SDK CloudFormation 或 來執行這些動作 AWS CLI。

對於使用批次轉換的批次推論，請指向模型成品和輸入資料，然後建立批次推論工作。SageMaker AI 不會託管用於推論的端點，而是將您的推論輸出到您選擇的 Amazon S3 位置。