使用模型套件來建立模型 - Amazon SageMaker AI
使用模型套件來建立模型 (主控台)使用模型套件來建立模型 (API)使用模型套件來建立模型 (Amazon SageMaker Python SDK)

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。

使用模型套件來建立模型

使用模型套件來建立可部署模型，用來建立託管端點或執行批次轉換工作以取得即時推論。您可以使用 Amazon SageMaker AI 主控台、低層級 SageMaker API，或是 Amazon SageMaker Python SDK，從模型套件建立可部署模型。

使用模型套件來建立模型 (主控台)

從模型套件建立可部署模型 (主控台)

  1. 開啟位在 https://console.aws.amazon.com/sagemaker/ 的 SageMaker AI 主控台。

  2. 選擇模型套件。

  3. 從我的模型套件索引標籤上的清單中選擇您建立的模型套件，或在 AWS Marketplace 訂閱索引標籤上選擇您訂閱的模型套件。

  4. 選擇建立模型。

  5. 針對模型名稱，輸入模型的名稱。

  6. 針對 IAM 角色，請選擇擁有必要許可，可代表您呼叫其他服務的 IAM 角色，或是選擇建立新角色來允許 SageMaker AI 建立已連接 AmazonSageMakerFullAccess 受管政策的角色。如需相關資訊，請參閱如何使用 SageMaker AI 執行角色。

  7. 針對 VPC，選擇您希望允許模型存取的 Amazon VPC。如需詳細資訊，請參閱讓 SageMaker AI 託管的端點可以存取 Amazon VPC 中的資源。

  8. 保留容器輸入選項 及選擇模型套件的預設值。

  9. 針對環境變數，請提供您希望傳遞給模型容器的環境變數名稱及值。

  10. 針對標籤，請指定一或多個標籤來管理模型。每個標籤皆包含索引鍵與選用值。每個資源的標籤鍵必須是唯一的。

  11. 選擇建立模型。

在您建立可部署模型後，您可以用它來為即時推論設定端點，或是建立批次轉換工作來取得整個資料集的推論。如需在 SageMaker AI 中託管端點的相關資訊，請參閱部署用於推論的模型。

使用模型套件來建立模型 (API)

若要使用 SageMaker API，利用模型套件來建立可部署模型，請在您傳遞給 CreateModel API 的 ContainerDefinition 物件的 ModelPackageName 欄位中，指定模型套件的名稱或 Amazon Resource Name (ARN)。

在您建立可部署模型後，您可以用它來為即時推論設定端點，或是建立批次轉換工作來取得整個資料集的推論。如需 SageMaker AI 中託管端點的相關資訊，請參閱部署用於推論的模型。

使用模型套件來建立模型 (Amazon SageMaker Python SDK)

若要使用 SageMaker AI Python SDK，利用模型套件建立可部署模型，請初始化 ModelPackage 物件，並將模型套件的 Amazon Resource Name (ARN) 作為 model_package_arn 引數傳遞。例如：

from sagemaker import ModelPackage
model = ModelPackage(role='SageMakerRole',
         model_package_arn='training-job-scikit-decision-trees-1542660466-6f92',
         sagemaker_session=sagemaker_session)

在您建立可部署模型後，您可以用它來為即時推論設定端點，或是建立批次轉換工作來取得整個資料集的推論。如需在 SageMaker AI 中託管端點的相關資訊，請參閱部署用於推論的模型。