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。

# 啟用訓練
<a name="jumpstart-content-sharing-training"></a>

新增要共用的模型時，您可以選擇性地提供訓練環境，並允許組織中的協作者訓練共用模型。

**注意**  
如果您要新增表格式模型，您還需要指定資料欄格式和目標欄來啟用訓練。

提供模型的基本詳細資訊後，您需要為訓練任務設定用於訓練模型的設定。這包括指定容器環境、程式碼指令碼、資料集、輸出位置和各種其他參數，以控制訓練任務的執行方式。若要設定訓練任務設定，請遵循下列步驟：

1. 新增用於模型訓練的容器。您可以選取用於現有訓練任務的容器、在 Amazon ECR 中使用自己的容器，或使用 Amazon SageMaker 深度學習容器。

1. 新增環境變數。

1. 提供訓練指令碼位置。

1. 提供指令碼模式進入點。

1. 針對訓練期間產生的模型成品提供 Amazon S3 URI。

1. 將 Amazon S3 URI 提供給預設訓練資料集。

1. 提供模型輸出路徑。對於從訓練產生的任何模型成品，模型輸出路徑應為 Amazon S3 URI 路徑。SageMaker AI 會將模型成品儲存為 Amazon S3 中的單一壓縮 TAR 檔案。

1. 提供驗證資料集，以便在訓練期間評估模型。驗證資料集必須包含與訓練資料集相同數量的欄位和功能標題。

1. 開啟網路隔離。網路隔離會隔離模型容器，因此無法對模型容器進行傳入或傳出網路呼叫。

1. 提供 SageMaker AI 可以透過哪些訓練通道存取您的資料。例如，您可以指定名為 `train` 或 `test` 的通道。為每個通道指定通道名稱和資料位置的 URI。選擇**瀏覽**以搜尋 Amazon S3 位置。

1. 提供超參數。新增任何超參數，協作者應在訓練期間進行實驗。提供這些超參數的有效值範圍。此範圍用於訓練任務超參數驗證。您可以根據超參數的資料類型來定義範圍。

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。

1. 提供指標。您可以針對訓練監控的每個指標指定名稱和規則表達式，藉此定義訓練任務的指標。設計規則表達式以擷取演算法所發出指標的值。例如，指標 `loss` 可能具有規則表達式 `"Loss =(.*?);"`。