Amazon SageMaker AI 提供的機器學習環境 - Amazon SageMaker AI

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 提供的機器學習環境

重要

Amazon SageMaker Studio 和 Amazon SageMaker Studio Classic 是兩種機器學習環境,可用來與 SageMaker AI 互動。

如果您的網域是在 2023 年 11 月 30 日之後建立的,則 Studio 是您的預設體驗。

如果您的網域是在 2023 年 11 月 30 日之前建立的,Amazon SageMaker Studio Classic 是您的預設體驗。若要在 Amazon SageMaker Studio Classic 是您的預設體驗時使用 Studio,請參閱 從 Amazon SageMaker Studio Classic 遷移

當您從 Amazon SageMaker Studio Classic 遷移至 Amazon SageMaker Studio 時,功能可用性不會遺失。Studio Classic 也以 IDE 的形式存在於 Amazon SageMaker Studio 中,以協助您執行舊版機器學習工作流程。

SageMaker AI 支援下列機器學習環境:

  • Amazon SageMaker Studio (建議):使用一組 IDEs 執行 ML 工作流程的最新 Web 型體驗。Studio 支援下列應用程式:

    • Amazon SageMaker Studio Classic

    • 程式碼編輯器,以 Code-OSS、Visual Studio Code - Open Source 為基礎

    • JupyterLab

    • Amazon SageMaker Canvas

    • RStudio

  • Amazon SageMaker Studio Classic:可讓您建置、訓練、偵錯、部署和監控機器學習模型。

  • Amazon SageMaker Notebook 執行個體:可讓您從執行 Jupyter 筆記本應用程式的運算執行個體準備和處理資料,以及訓練和部署機器學習模型。

  • Amazon SageMaker Studio Lab:Studio Lab 是一項免費服務,可讓您在以開放原始碼 JupyterLab 為基礎的環境中存取 AWS 運算資源,而無需 AWS 帳戶。

  • Amazon SageMaker Canvas:讓您能夠使用機器學習產生預測,且無需程式碼。

  • Amazon SageMaker 地理空間:讓您能夠建立、訓練和部署地理空間模型。

  • RStudio on Amazon SageMaker AI:RStudio 是 R 的 IDE,具有主控台、支援直接程式碼執行的強調語法編輯器,以及繪圖、歷史記錄、偵錯和工作區管理的工具。

  • SageMaker HyperPod:SageMaker HyperPod 可讓您佈建彈性叢集,以執行機器學習 (ML) 工作負載和開發state-of-the-art模型,例如大型語言模型 (LLMs)、擴散模型和基礎模型 FMs)。

若要使用這些機器學習環境,您或您的組織的管理員必須建立 Amazon SageMaker AI 網域。例外狀況包括 Studio Lab、SageMaker 筆記本執行個體和 SageMaker HyperPod。

您可以建立 Amazon DataZone 網域,而不是為您自己和使用者手動佈建資源和管理許可。建立 Amazon DataZone 網域的程序會為您的 ETL 工作流程建立具有 AWS Glue 或 Amazon Redshift 資料庫的對應 Amazon SageMaker AI 網域。透過 Amazon DataZone 設定網域可減少為使用者設定 SageMaker AI 環境所需的時間。如需在 Amazon DataZone 中設定 Amazon SageMaker AI 網域的詳細資訊,請參閱 設定 SageMaker 資產 (管理員指南)。 DataZone

Amazon DataZone 網域內的使用者具有所有 Amazon SageMaker AI 動作的許可,但其許可的範圍會縮小至 Amazon DataZone 網域內的資源。

建立 Amazon DataZone 網域可簡化建立網域的過程,讓使用者可以彼此共用資料和模型。如需如何共用資料和模型的資訊,請參閱 使用 Amazon SageMaker 資產控制對資產的存取