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.
# Beispiele und weitere Informationen: Verwenden Sie Ihren eigenen Algorithmus oder Ihr eigenes Modell
Die folgenden Jupyter-Notizbücher und zusätzliche Informationen zeigen, wie Sie Ihre eigenen Algorithmen oder vortrainierten Modelle aus einer Amazon-Notebook-Instance verwenden können. SageMaker Links zu den GitHub Repositorys mit den vorgefertigten Dockerfiles für MXNet TensorFlow, Chainer und PyTorch Frameworks sowie Anweisungen zur Verwendung der zum Ausführen Ihrer eigenen Trainingsalgorithmen auf AI Learner und Ihrer eigenen Modelle auf SageMaker AI-Hosting finden Sie unter AWS SDK für Python (Boto3) ModelTrainers SageMaker [Vorgefertigte SageMaker AI-Docker-Images für Deep Learning](pre-built-containers-frameworks-deep-learning.md)
## Einrichtung
1. Erstellen SageMaker Sie eine Notebook-Instanz. Anweisungen zum Erstellen von Jupyter-Notebook-Instances und zum Zugriff darauf finden Sie unter [SageMaker Amazon-Notebook-Instances](nbi.md).
1. Öffnen Sie die Notebook-Instance, die Sie erstellt haben.
1. Wählen Sie den ** Tab „**SageMaker KI-Beispiele“, um eine Liste aller SageMaker AI-Beispiel-Notebooks anzuzeigen.
1. Öffnen Sie die Beispiel-Notebooks im ** Abschnitt „**Erweiterte Funktionen“ in Ihrer Notebook-Instanz oder GitHub über die bereitgestellten Links. Zum Öffnen eines Notebooks wählen Sie die Registerkarte **Use (Verwenden)** und dann **Create copy (Kopie erstellen)**.
## Host-Modelle, die trainiert wurden Scikit-learn
In Scikit-learn den folgenden Beispielnotizbüchern erfahren Sie, wie Sie Modelle hosten, die darauf trainiert sind, Vorhersagen in SageMaker KI zu treffen, indem Sie sie in K-Means- und XGBoost-Container von Erstanbietern einfügen.
+ [kmeans\_bring\_your\_own\_model](https://github.com/awslabs/amazon-sagemaker-examples/tree/master/advanced_functionality/kmeans_bring_your_own_model)
+ [xgboost\_bring\_your\_own\_model](https://github.com/awslabs/amazon-sagemaker-examples/tree/master/advanced_functionality/xgboost_bring_your_own_model)
## Paket TensorFlow und Modelle zur Verwendung in KI Scikit-learn SageMaker
Informationen zum Paketieren von Algorithmen, die Sie in TensorFlow Scikit-Learn-Frameworks entwickelt haben, für das Training und den Einsatz in der SageMaker KI-Umgebung finden Sie in den folgenden Notizbüchern. Sie zeigen Ihnen, wie Sie Ihre eigenen Docker-Container mithilfe von Dockerfiles erstellen, registrieren und bereitstellen können.
+ [tensorflow\_bring\_your\_own](https://github.com/aws/amazon-sagemaker-examples/blob/main/advanced_functionality/tensorflow_iris_byom/tensorflow_BYOM_iris.ipynb)
+ [scikit\_bring\_your\_own](https://github.com/awslabs/amazon-sagemaker-examples/tree/master/advanced_functionality/scikit_bring_your_own)
## Trainieren und implementieren Sie ein neuronales Netzwerk auf KI SageMaker
In den folgenden Notizbüchern erfahren Sie TensorFlow, wie Sie ein neuronales Netzwerk lokal mit MXNet oder trainieren und dann aus dem trainierten Modell einen Endpunkt erstellen und ihn auf SageMaker KI bereitstellen. Das MXNet-Modell ist trainiert, um handschriftliche Zahlen aus dem MNIST-Datensatz zu erkennen. Das TensorFlow Modell ist darauf trainiert, Schwertlilien zu klassifizieren.
+ [mxnet\_mnist\_byom](https://sagemaker.readthedocs.io/en/stable/api/sagemaker_train.html)
+ [tensorflow\_BYOM\_iris](https://github.com/awslabs/amazon-sagemaker-examples/tree/master/advanced_functionality/tensorflow_iris_byom/tensorflow_BYOM_iris.ipynb)
## Trainieren mit Pipe-Modus
Um zu erfahren, wie Sie eine Dockerfile zum Erstellen eines Containers verwenden, der das `train.py script` aufruft und den Pipe-Modus zum benutzerdefinierten Training eines Algorithmus verwendet, beachten Sie das folgende Notebook. Im Pipe-Modus werden die Eingabedaten während des Trainings auf den Algorithmus übertragen. Dadurch kann sich die Trainingszeit im Vergleich zum Dateimodus verkürzen.
+ [pipe\_bring\_your\_own](https://github.com/aws/amazon-sagemaker-examples/blob/0efd885ef2a5c04929d10c5272681f4ca17dac17/advanced_functionality/pipe_bring_your_own/pipe_bring_your_own.ipynb)
## Bringen Sie Ihr eigenes R-Modell mit
Wie man ein benutzerdefiniertes R-Image hinzufügt, um ein Modell in einem AWS SMS -Notebook zu erstellen und zu trainieren, erfahren Sie im folgenden Blogbeitrag. Dieser Blogbeitrag verwendet ein R-Dockerfile-Beispiel aus einer Bibliothek mit benutzerdefinierten Image-Beispielen von [ SageMaker AI Studio Classic. ](https://github.com/aws-samples/sagemaker-studio-custom-image-samples)
+ [Bringen Sie Ihre eigene R-Umgebung zu Amazon Studio Classic SageMaker ](https://aws.amazon.com/blogs/machine-learning/bringing-your-own-r-environment-to-amazon-sagemaker-studio/)
## Erweitern Sie ein vorgefertigtes PyTorch Container-Image
Im folgenden Notizbuch erfahren Sie, wie Sie ein vorgefertigtes SageMaker PyTorch AI-Container-Image erweitern können, wenn Sie zusätzliche funktionale Anforderungen an Ihren Algorithmus oder Ihr Modell haben, die das vorgefertigte Docker-Image nicht unterstützt.
+ [BER Ttopic\_extending\_container ](https://github.com/aws/amazon-sagemaker-examples/blob/0efd885ef2a5c04929d10c5272681f4ca17dac17/advanced_functionality/pytorch_extend_container_train_deploy_bertopic/BERTtopic_extending_container.ipynb)
Weitere Informationen zum Erweitern eines Containers finden Sie unter [ Erweitern eines Pre-built Containers](https://docs.aws.amazon.com/sagemaker/latest/dg/prebuilt-containers-extend.html).
## Trainieren und debuggen Sie Trainingsaufträge in einem benutzerdefinierten Container
Informationen zum Trainieren und Debuggen von Trainingsjobs mit dem SageMaker Debugger finden Sie im folgenden Notizbuch. Ein in diesem Beispiel bereitgestelltes Trainingsskript verwendet das TensorFlow Keras ResNet 50-Modell und den CIFAR10-Datensatz. Ein benutzerdefinierter Docker-Container wird mit dem Trainingsskript erstellt und an Amazon ECR übertragen. Während der Trainingsauftrag ausgeführt wird, sammelt der Debugger die Tensorausgaben und identifiziert Debugging-Probleme. Mit den `smdebug` Client-Bibliothek-Tools können Sie ein `smdebug` Testobjekt einrichten, das den Trainingsauftrag und die Debugging-Informationen aufruft, den Status der Trainings- und Debugger-Regeln überprüfen und in einem Amazon-S3-Bucket gespeicherte Tensoren abrufen, um Trainingsprobleme zu analysieren.
+ [build\_your\_own\_container\_with\_debugger](https://sagemaker-examples.readthedocs.io/en/latest/sagemaker-debugger/build_your_own_container_with_debugger/debugger_byoc.html)