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。

在 Amazon SageMaker AI 中開發演算法和模型

在建立演算法和模型套件資源以用於 Amazon SageMaker AI 或清單之前 AWS Marketplace，您必須先開發它們並將其封裝在 Docker 容器中。

在 SageMaker AI 中開發演算法

您應該將演算法封裝為 Docker 容器並存放至 Amazon ECR，才能在 SageMaker AI 中使用。Docker 容器包含訓練程式碼 (可用來執行訓練任務)，以及選用的推論程式碼 (可用來透過使用演算法訓練的模型取得推論)。

如需如何在 SageMaker AI 中開發演算法並將其封裝為容器的資訊，請參閱用於訓練和部署模型的 Docker 容器。如需如何建立演算法容器的完整範例，請參閱範例筆記本，網址為 https：//https://sagemaker-examples.readthedocs.io/en/latest/advanced_functionality/scikit_bring_your_own/scikit_bring_your_own.html。您也可以在 SageMaker 筆記本執行個體中尋找範例筆記本。筆記本位於 Advanced Functionality (進階功能) 區段，名稱為 scikit_bring_your_own.ipynb。

在建立要發佈的演算法資源之前，請務必徹底測試您的演算法 AWS Marketplace。

在 SageMaker AI 中開發模型

SageMaker AI 的可部署模型包含推論程式碼、模型成品、用來存取資源的 IAM 角色，以及在 SageMaker AI 中部署模型所需的其他資訊。模型成品是使用機器學習演算法訓練模型的結果。推論程式碼必須封裝在 Docker 容器中並存放於 Amazon ECR。您可以將模型成品封裝在與推論程式碼相同的容器中，或存放於 Amazon S3。

您可以透過在 SageMaker AI 中執行訓練任務，或在 SageMaker AI 之外訓練機器學習演算法，來建立模型。如果您在 SageMaker AI 中執行訓練任務，產生的模型成品會顯示在回應 DescribeTrainingJob 作業呼叫的 ModelArtifacts 欄位。如需如何開發 SageMaker AI 模型容器的資訊，請參閱具有自訂推論程式碼的容器。如需如何透過 SageMaker AI 外部訓練的模型來建立模型容器的完整範例，請參閱 https://sagemaker-examples.readthedocs.io/en/latest/advanced_functionality/xgboost_bring_your_own_model/xgboost_bring_your_own_model.html 的範例筆記本。

在建立要發佈的模型套件之前，請務必徹底測試您的模型 AWS Marketplace。