Hinzufügen von Modellen zu einem privaten Hub - Amazon SageMaker KI

Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

Hinzufügen von Modellen zu einem privaten Hub

Nachdem Sie einen privaten Hub erstellt haben, können Sie Modelle hinzufügen, die auf der Zulassungsliste stehen. Eine vollständige Liste der verfügbaren JumpStart Modelle finden Sie in der SageMaker Python-SDK-Referenz unter Integrierte Algorithmen mit vortrainierter Modelltabelle.

  1. Mit der hub.list_sagemaker_public_hub_models()-Methode können Sie die verfügbaren Modelle programmgesteuert filtern. Sie können optional nach Kategorien wie Framework ("framework == pytorch"), Aufgaben wie Bildklassifizierung ("task == ic") und mehr filtern. Weitere Informationen zu Filtern finden Sie unter notebook_utils.py. Der Filterparameter in der hub.list_sagemaker_public_hub_models()-Methode ist optional. 

    filter_value = "framework == meta"
response = hub.list_sagemaker_public_hub_models(filter=filter_value)
models = response["hub_content_summaries"]
while response["next_token"]:
    response = hub.list_sagemaker_public_hub_models(filter=filter_value, next_token=response["next_token"])
    models.extend(response["hub_content_summaries"])

print(models)

  2. Sie können dann die gefilterten Modelle hinzufügen, indem Sie den Modell-ARN in der hub.create_model_reference()-Methode angeben.

    for model in models:
    print(f"Adding {model.get('hub_content_name')} to Hub")
    hub.create_model_reference(model_arn=model.get("hub_content_arn"), model_name=model.get("hub_content_name"))