Ajout de modèles à un hub privé - Amazon SageMaker AI

Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.

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 JumpStart modèles disponibles, consultez le tableau des algorithmes intégrés avec modèles préentraînés dans la référence du SDK SageMaker Python.

  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"))