Ajout de modèles à un hub privé - Amazon SageMaker AI

Ajout de modèles à un hub privé

Après avoir créé un hub privé, vous pouvez ajouter les modèles d’une liste d’autorisations. Pour obtenir la liste complète des modèles JumpStart disponibles, consultez le tableau des algorithmes intégrés aux modèles pré-entraînés dans la référence du kit SageMaker Python SDK.

  1. Vous pouvez filtrer les modèles disponibles par programmation à l’aide de la méthode hub.list_sagemaker_public_hub_models(). Vous pouvez éventuellement filtrer par catégories telles que le cadre ("framework == pytorch"), par tâches telles que la classification d’images ("task == ic"), etc. Pour plus d'informations sur les filtres, consultez notebook_utils.py. La méthode de filtrage est facultative dans la méthode hub.list_sagemaker_public_hub_models(). 

    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. Vous pouvez ensuite ajouter les modèles filtrés en spécifiant l’ARN d’un modèle dans la méthode hub.create_model_reference().

    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"))