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。

# 啟用部署
<a name="jumpstart-content-sharing-deployment"></a>

新增要共用的模型時，您可以選擇性地提供推論環境，讓組織中的協作者可以部署共用模型以進行推論。

訓練機器學習模型後，您需要將其部署到 Amazon SageMaker AI 端點以進行推論。這包括提供容器環境、推論指令碼、訓練期間產生的模型成品，以及選取適當的運算執行個體類型。正確設定這些設定對於確保您部署的模型可以進行準確的預測並有效地處理推論請求至關重要。若要設定模型以進行推論，請遵循下列步驟：

1. 新增要用於推論的容器。您可以在 Amazon ECR 中使用自己的容器，或使用 Amazon SageMaker 深度學習容器。

1. 將 Amazon S3 URI 提供給推論指令碼。自訂推論指令碼會在您選擇的容器內執行。您的推論指令碼應包含用於模型載入的函式，以及選擇性地使用產生預測的函式，以及輸入和輸出處理。如需有關為您選擇的架構建立推論指令碼的詳細資訊，請參閱 SageMaker Python SDK 文件中的[架構](https://sagemaker.readthedocs.io/en/stable/frameworks/index.html)。例如，對於 TensorFlow，請參閱[如何實作前置和/或後處理處理常式](https://sagemaker.readthedocs.io/en/stable/frameworks/tensorflow/deploying_tensorflow_serving.html#how-to-implement-the-pre-and-or-post-processing-handler-s)。

1. 針對模型成品提供 Amazon S3 URI。模型成品是訓練模型所產生的輸出，通常包含訓練過的參數、描述如何運算推論的模型定義，以及其他中繼資料。如果在 SageMaker AI 訓練您的模型，則模型成品會儲存為 Amazon S3 的單一壓縮 TAR 檔案。如果您在 SageMaker AI 外部訓練模型，則需要建立此單一壓縮 TAR 檔案，並將其儲存在 Amazon S3 位置。

1. 選取執行個體類型。建議您使用記憶體容量較多的 GPU 執行個體來進行大批次訓練。如需跨 AWS 區域的 SageMaker 訓練執行個體完整清單，請參閱 [Amazon SageMaker 定價](https://aws.amazon.com/sagemaker/pricing/)中的**隨需定價**資料表。