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。

# Amazon SageMaker AI 的程式設計模型
<a name="how-it-works-prog-model"></a>

直接從程式碼進行 API 呼叫的操作十分繁複，且您還需要撰寫程式碼，才能對請求進行身分驗證。Amazon SageMaker AI 提供下列替代選項：
+ **使用 SageMaker AI 主控台** - 有了主控台，您無需撰寫任何程式碼。您可以使用主控台使用者介面，開始訓練模型或部署模型。主控台相當適用於簡易的任務，且您可以在主控台中使用內建訓練演算法，也不需要預先處理訓練資料。

   
+ **修改範例 Jupyter 筆記本** - SageMaker AI 提供數種 Jupyter 筆記本，使用特定的演算法與資料集訓練和部署模型。您可以先從具備合宜演算法的筆記本著手並進行修改，以便因應您的資料來源與特定需求。

   
+ **從頭開始撰寫模型訓練和推論程式碼** – SageMaker AI 提供多種 AWS SDK 語言 （列於概觀中） 和 [Amazon SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable)，這是一個高階 Python 程式庫，您可以在程式碼中使用它來開始模型訓練任務並部署產生的模型。

   
  + **SageMaker Python SDK** - 這個 Python 程式庫可簡化模型訓練和部署作業。除了可以對請求進行身分驗證之外，該程式庫會提供簡易方法和預設參數，進而詳細地進行平台摘要。例如：

     
    + 欲部署模型，僅需呼叫 `deploy()` 方法。此方法會建立一個 SageMaker AI 模型成品、一個端點組態，然後將模型部署在端點上。

       
    + 如果使用自訂的架構指令碼來訓練模型，您要呼叫 `fit()` 方法。該方法可以將指令碼建立為 .gzip 檔案，並將其上傳至 Amazon S3 位置，接著執行該檔案以進行模型訓練或其他任務。如需詳細資訊，請參閱[Machine Learning 架構和語言](frameworks.md)。

       
    + 若要為 SageMaker AI Python SDK 進行的 SageMaker API 呼叫設定預設值，您可以使用預設組態字典。如需詳細資訊，請參閱[搭配 SageMaker Python 套件配置和使用預設](https://sagemaker.readthedocs.io/en/stable/overview.html#configuring-and-using-defaults-with-the-sagemaker-python-sdk)。

       
  + ** AWS SDKs** – SDKs提供對應至 SageMaker API 的方法 （請參閱 [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_Operations.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_Operations.html))。使用 SDK 以程式設計方式來開始模型訓練任務，並將該模型託管於 SageMaker AI 中。SDK 客戶端為您處理身份驗證，因此您不需要編寫身份驗證代碼。這些開發套件支援多種語言與平台。如需詳細資訊，請參閱概觀中的上述清單。

     

  在 [使用 Amazon SageMaker AI 進行設定的指南](gs.md) 中，您使用 SageMaker AI 所提供的演算法來訓練和部署模型。且該章節的練習會說明這兩種程式庫的使用方法。如需詳細資訊，請參閱[使用 Amazon SageMaker AI 進行設定的指南](gs.md)。

   
+ **將 SageMaker AI 整合至 Apache Spark 工作流程** - SageMaker AI 會提供一個程式庫，用於從 Apache Spark 呼叫其 API。透過該程式庫，您可以在 Apache Spark 管道中使用 SageMaker AI 型估算器。如需詳細資訊，請參閱[Apache Spark 搭配 Amazon SageMaker AI](apache-spark.md)。