Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

# Latih Model dengan Amazon SageMaker
<a name="how-it-works-training"></a>

Amazon SageMaker Training adalah layanan pembelajaran mesin (ML) yang dikelola sepenuhnya yang ditawarkan oleh SageMaker yang membantu Anda melatih berbagai model ML secara efisien dalam skala besar. Inti dari pekerjaan SageMaker AI adalah kontainerisasi beban kerja ML dan kemampuan mengelola AWS sumber daya komputasi. Platform SageMaker Pelatihan menangani pekerjaan berat yang terkait dengan pengaturan dan pengelolaan infrastruktur untuk beban kerja pelatihan ML. Dengan SageMaker Pelatihan, Anda dapat fokus mengembangkan, melatih, dan menyempurnakan model Anda. Halaman ini memperkenalkan tiga cara yang disarankan untuk memulai dengan melatih model SageMaker, diikuti oleh opsi tambahan yang dapat Anda pertimbangkan.

**Tip**  
Untuk informasi tentang model dasar pelatihan untuk AI Generatif, lihat [ Menggunakan model SageMaker JumpStart dasar di Amazon SageMaker Studio](https://docs.aws.amazon.com/sagemaker/latest/dg/jumpstart-foundation-models-use-studio-updated.html).

## Memilih fitur dalam Pel SageMaker atihan Amazon
<a name="choose-a-feature-of-sagemaker-training"></a>

Ada tiga kasus penggunaan utama untuk melatih model ML dalam SageMaker AI. Bagian ini menjelaskan kasus penggunaan tersebut, serta fitur SageMaker AI yang kami rekomendasikan untuk setiap kasus penggunaan. 

Baik Anda melatih model pembelajaran mendalam yang kompleks atau menerapkan algoritma pembelajaran mesin yang lebih kecil, Pel SageMaker atihan memberikan solusi efisien dan hemat biaya yang memenuhi persyaratan kasus penggunaan Anda.

### Kasus penggunaan
<a name="choose-use-cases-sagemaker-training"></a>

Berikut ini adalah kasus penggunaan utama untuk melatih model ML dalam SageMaker AI.
+ **Kasus penggunaan 1**: Kembangkan model pembelajaran mesin di lingkungan kode rendah atau tanpa kode.
+ **Gunakan kasus 2**: Gunakan kode untuk mengembangkan model pembelajaran mesin dengan lebih banyak fleksibilitas dan kontrol.
+ **Kasus penggunaan 3**: Kembangkan model pembelajaran mesin dalam skala besar dengan fleksibilitas dan kontrol maksimum.

### Fitur yang disarankan
<a name="choose-recommended-features-of-sagemaker-training"></a>

Tabel berikut menjelaskan tiga skenario umum untuk melatih model ML dan opsi yang sesuai untuk memulai dengan Pel SageMaker atihan.


| Deskriptor | Kasus penggunaan 1 | Kasus penggunaan 2 | Kasus penggunaan 3 | 
| --- | --- | --- | --- | 
| SageMaker Fitur AI | [Buat model menggunakan Amazon SageMaker Canvas](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-build-model.html). | Latih model menggunakan salah satu algoritma ML bawaan [ SageMaker AI ](https://docs.aws.amazon.com/sagemaker/latest/dg/algos.html) seperti [ XGBoost ](https://docs.aws.amazon.com/sagemaker/latest/dg/xgboost.html#xgboost-modes) atau [ Task-Specific Model SageMaker JumpStart ](https://docs.aws.amazon.com/sagemaker/latest/dg/jumpstart-models.html) s by dengan SageMaker Python SDK. | Latih model dalam skala besar dengan fleksibilitas maksimum memanfaatkan mode [ skrip ](https://sagemaker-examples.readthedocs.io/en/latest/sagemaker-script-mode/sagemaker-script-mode.html) atau wadah [ khusus ](https://docs.aws.amazon.com/sagemaker/latest/dg/docker-containers-adapt-your-own.html) di SageMaker AI. | 
| Deskripsi | Bawa data Anda. SageMaker AI membantu mengelola pembuatan model ML dan menyiapkan infrastruktur dan sumber daya pelatihan. | Bawa data Anda dan pilih salah satu algoritma ML bawaan yang disediakan oleh SageMaker AI. Siapkan hyperparameter model, metrik keluaran, dan pengaturan infrastruktur dasar menggunakan SageMaker Python SDK. Platform SageMaker Pelatihan membantu menyediakan infrastruktur dan sumber daya pelatihan. | Kembangkan kode ML Anda sendiri dan bawa sebagai skrip atau satu set skrip ke SageMaker AI. Untuk mempelajari selengkapnya, lihat [ Komputasi terdistribusi dengan praktik SageMaker terbaik](https://docs.aws.amazon.com/sagemaker/latest/dg/distributed-training-options.html#distributed-training-options-2). Selain itu, Anda dapat [ membawa wadah ](https://docs.aws.amazon.com/sagemaker/latest/dg/adapt-training-container.html#byoc-training-step2) Docker Anda sendiri. Platform SageMaker Pelatihan membantu menyediakan infrastruktur pelatihan dan sumber daya dalam skala besar berdasarkan pengaturan khusus Anda. | 
| Dioptimalkan untuk | Low/no-code dan pengembangan UI-driven model dengan eksperimen cepat dengan dataset pelatihan. Ketika Anda [ membangun model kustom, ](canvas-build-model.md) algoritma dipilih secara otomatis berdasarkan data Anda. Untuk opsi penyesuaian lanjutan seperti pemilihan algoritma, lihat konfigurasi pembuatan model [ lanjutan](canvas-advanced-settings.md). | Melatih model ML dengan kustomisasi tingkat tinggi untuk hyperparameter, pengaturan infrastruktur, dan kemampuan untuk secara langsung menggunakan kerangka kerja ML dan skrip titik masuk untuk lebih banyak fleksibilitas. Gunakan algoritma bawaan, model pra-terlatih, dan JumpStart model melalui [ Amazon SageMaker Python SDK ](https://sagemaker.readthedocs.io/en/stable) untuk mengembangkan model ML. Untuk informasi selengkapnya, lihat [ Low-code penerapan dengan JumpStart kelas](https://sagemaker.readthedocs.io/en/stable/). | Beban kerja pelatihan ML dalam skala besar, membutuhkan beberapa instans dan fleksibilitas maksimum. Lihat komputasi ter [ distribusi dengan praktik SageMaker terbaik](distributed-training-options.md). SageMaker AI menggunakan gambar Docker untuk menjadi tuan rumah pelatihan dan penyajian semua model. Anda dapat menggunakan SageMaker AI atau algoritma eksternal apa pun dan [ menggunakan wadah Docker untuk membangun model](docker-containers.md). | 
| Pertimbangan-pertimbangan | Fleksibilitas minimal untuk menyesuaikan model yang disediakan oleh Amazon SageMaker Canvas. |  SageMaker Python SDK menyediakan antarmuka yang disederhanakan dan opsi konfigurasi yang lebih sedikit dibandingkan dengan API Pel SageMaker atihan tingkat rendah.  | Membutuhkan pengetahuan tentang AWS infrastruktur dan opsi pelatihan terdistribusi. Lihat juga [ Membuat wadah pelatihan Anda sendiri ](https://docs.aws.amazon.com/sagemaker/latest/dg/your-algorithms-training-algo.html) menggunakan toolkit [ SageMaker ](https://docs.aws.amazon.com/sagemaker/latest/dg/amazon-sagemaker-toolkits.html) Pelatihan. | 
| Lingkungan yang direkomendasikan | Gunakan [ Amazon SageMaker Canvas](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-getting-started.html#canvas-prerequisites). Untuk mempelajari cara mengaturnya, lihat [ Memulai menggunakan SageMaker Canvas](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-getting-started.html). | Gunakan [ SageMaker AI JupyterLab ](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-updated-jl.html) dalam [ Amazon SageMaker Studio](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-updated-launch.html). Untuk mempelajari cara mengaturnya, lihat [ Luncurkan Amazon SageMaker Studio](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-updated-launch.html). | Gunakan [ SageMaker JupyterLab ](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-updated-jl.html) dalam [ Amazon SageMaker Studio](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-updated-launch.html). Untuk mempelajari cara mengaturnya, lihat [ Luncurkan Amazon SageMaker Studio](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-updated-launch.html). | 

## Opsi tambahan
<a name="choose-additional-options-for-sagemaker-training"></a>

SageMaker AI menawarkan opsi tambahan berikut untuk melatih model ML.

**SageMaker Fitur AI yang menawarkan kemampuan pelatihan **
+ **[SageMaker JumpStart](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-jumpstart.html)**: SageMaker JumpStart menyediakan akses ke hub model publik SageMaker AI yang berisi model dasar (FM) terbaru yang tersedia untuk umum dan eksklusif. Anda dapat menyempurnakan, mengevaluasi, dan menerapkan model ini di Amazon SageMaker Studio. SageMaker JumpStart merampingkan proses memanfaatkan model dasar untuk kasus penggunaan AI generatif Anda dan memungkinkan Anda membuat hub model pribadi untuk menggunakan model dasar sambil menegakkan pagar pembatas tata kelola dan memastikan bahwa organisasi Anda hanya dapat mengakses model yang disetujui. Untuk memulainya SageMaker JumpStart, lihat Model [ SageMaker JumpStart Dasar](https://docs.aws.amazon.com/sagemaker/latest/dg/jumpstart-foundation-models.html).
+ **[SageMaker HyperPod](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-hyperpod.html)**: SageMaker HyperPod adalah layanan cluster persisten untuk kasus penggunaan yang membutuhkan cluster tangguh untuk beban kerja pembelajaran mesin (ML) besar-besaran dan mengembangkan model dasar (FM) canggih. Ini mempercepat pengembangan model tersebut dengan menghilangkan beban berat yang tidak terdiferensiasi yang terlibat dalam membangun dan memelihara cluster komputasi skala besar yang didukung oleh ribuan akselerator seperti AWS Trainium atau NVIDIA A100 dan Unit Pemrosesan Grafis (GPU) H100. Anda dapat menggunakan perangkat lunak pengelola beban kerja seperti Slurm on. HyperPod

**Lebih banyak fitur Pel SageMaker atihan **
+ **[Hyperparameter Tuning ](https://docs.aws.amazon.com/sagemaker/latest/dg/automatic-model-tuning.html)**: Fitur SageMaker AI ini membantu menentukan satu set hyperparameter untuk model dan meluncurkan banyak pekerjaan pelatihan pada dataset. Bergantung pada nilai hyperparameter, kinerja pelatihan model mungkin bervariasi. Fitur ini menyediakan kumpulan hyperparameter berkinerja terbaik dalam rentang hyperparameter tertentu yang Anda atur untuk dicari.
+ **[Pelatihan ter ](https://docs.aws.amazon.com/sagemaker/latest/dg/distributed-training.html) ** distribusi: Pre-train atau menyempurnakan FM yang dibangun dengan PyTorch, NVIDIA CUDA, dan kerangka kerja lainnya PyTorch-based . Untuk memanfaatkan instans GPU secara efisien, gunakan pust SageMaker aka pelatihan terdistribusi AI yang menawarkan operasi komunikasi kolektif dan berbagai teknik paralelisme model seperti paralelisme ahli dan paralelisme data bersama yang dioptimalkan untuk infrastruktur. AWS 
+ **Fitur pengamatan**: Gunakan fungsi pembuatan profil dan debugging dari Pel SageMaker atihan untuk mendapatkan wawasan tentang beban kerja pelatihan model, kinerja model, dan pemanfaatan sumber daya. Untuk mempelajari selengkapnya, lihat Men [ -debug dan meningkatkan kinerja model ](https://docs.aws.amazon.com/sagemaker/latest/dg/train-debug-and-improve-model-performance.html) dan [ Profil serta mengoptimalkan kinerja ](https://docs.aws.amazon.com/sagemaker/latest/dg/train-profile-computational-performance.html) komputasi.
+ **Cost-saving dan opsi instans yang efisien**: Untuk mengoptimalkan biaya dan efisiensi komputasi untuk penyediaan instans pelatihan, gunakan Cluster [ Heterogen, instans Spot ](https://docs.aws.amazon.com/sagemaker/latest/dg/train-heterogeneous-cluster.html) Ter [ kelola](https://docs.aws.amazon.com/sagemaker/latest/dg/model-managed-spot-training.html), atau Managed Warm [ Pools. ](https://docs.aws.amazon.com/sagemaker/latest/dg/train-warm-pools.html)