Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà .
# Nozioni di base
## Invia un lavoro di valutazione tramite Studio SageMaker
### Passaggio 1: accedi alla valutazione dalla tua scheda modello
Dopo aver personalizzato il modello, accedi alla pagina di valutazione dalla scheda del modello.
Per informazioni sull'addestramento con modelli personalizzati a peso libero: [ https://docs.aws.amazon.com/sagemaker/latest/dg/model-customize-open-weight-job.html ](https://docs.aws.amazon.com/sagemaker/latest/dg/model-customize-open-weight-job.html)
SageMaker visualizza il modello personalizzato nella scheda I miei modelli:
Scegli Visualizza l'ultima versione, quindi scegli Valuta:
### Fase 2: Invia il tuo lavoro di valutazione
Scegli il pulsante Invia e invia il tuo lavoro di valutazione. Questo invia un lavoro di benchmark MMLU minimo.
Per informazioni sui tipi di job di valutazione supportati, vedere[Tipi di valutazione e invio delle offerte di lavoro](model-customize-evaluation-types.md).
### Fase 3: Tieni traccia dei progressi del tuo lavoro di valutazione
L'avanzamento del processo di valutazione viene monitorato nella scheda Fasi di valutazione:
### Fase 4: Visualizza i risultati del tuo lavoro di valutazione
I risultati del lavoro di valutazione sono visualizzati nella scheda Risultati di valutazione:
### Fase 5: Visualizza le valutazioni completate
Il lavoro di valutazione completato viene visualizzato in Valutazioni del modello di scheda:
## Invia il tuo lavoro di valutazione tramite SageMaker Python SDK
### Fase 1: Crea il tuo BenchMarkEvaluator
Passa il modello addestrato registrato, la posizione di output AWS S3 e l'ARN della risorsa MLFlow `BenchMarkEvaluator` e poi inizializzalo.
```
from sagemaker.train.evaluate import BenchMarkEvaluator, Benchmark
evaluator = BenchMarkEvaluator(
benchmark=Benchmark.MMLU,
model="arn:aws:sagemaker:::model-package//",
s3_output_path="s3:////eval/",
mlflow_resource_arn="arn:aws:sagemaker:::mlflow-tracking-server/",
evaluate_base_model=False
)
```
### Fase 2: Invia il tuo lavoro di valutazione
Chiama il `evaluate()` metodo per inviare il lavoro di valutazione.
```
execution = evaluator.evaluate()
```
### Fase 3: Tieni traccia dei progressi del tuo lavoro di valutazione
Chiama il `wait()` metodo di esecuzione per ottenere un aggiornamento in tempo reale dello stato di avanzamento del lavoro di valutazione.
```
execution.wait(target_status="Succeeded", poll=5, timeout=3600)
```
### Fase 4: Visualizza i risultati del lavoro di valutazione
Chiama il `show_results()` metodo per visualizzare i risultati del lavoro di valutazione.
```
execution.show_results()
```