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

# Buat model
<a name="serverless-endpoints-create-model"></a>

Untuk membuat model Anda, Anda harus memberikan lokasi artefak model dan gambar wadah Anda. Anda juga dapat menggunakan versi model dari [ SageMaker Model Registry](model-registry.md). Contoh di bagian berikut menunjukkan cara membuat model menggunakan [ CreateModel ](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateModel.html) API, Model Registry, dan konsol [ Amazon SageMaker AI](https://console.aws.amazon.com/sagemaker/home).

## Untuk membuat model (menggunakan Model Registry)
<a name="serverless-endpoints-create-model-registry"></a>

[Model Registry ](model-registry.md) adalah fitur SageMaker AI yang membantu Anda membuat katalog dan mengelola versi model Anda untuk digunakan dalam pipeline ML. Untuk menggunakan Model Registry dengan Serverless Inference, Anda harus terlebih dahulu mendaftarkan versi model dalam grup model Registry Model. Untuk mempelajari cara mendaftarkan model di Model Registry, ikuti prosedur di [Buat Grup Model](model-registry-model-group.md) dan[Daftarkan Versi Model](model-registry-version.md).

Contoh berikut mengharuskan Anda memiliki ARN dari versi model terdaftar dan menggunakan [AWS SDK untuk Python (Boto3) ](https://boto3.amazonaws.com/v1/documentation/api/latest/index.html) untuk memanggil API. [ CreateModel ](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateModel.html) Untuk Inferensi Tanpa Server, Model Registry saat ini hanya didukung oleh AWS SDK untuk Python (Boto3). Sebagai contoh, tentukan nilai-nilai berikut:
+ Untuk`model_name`, masukkan nama untuk model.
+ Untuk`sagemaker_role`, Anda dapat menggunakan SageMaker AI-created peran default atau peran IAM SageMaker AI yang disesuaikan dari Langkah 4 [Lengkapi prasyarat](serverless-endpoints-prerequisites.md) bagian.
+ Untuk`ModelPackageName`, tentukan ARN untuk versi model Anda, yang harus didaftarkan ke grup model di Model Registry.

```
#Setup
import boto3
import sagemaker
from sagemaker.core.helper.session_helper import get_execution_role
region = boto3.Session().region_name
client = boto3.client("sagemaker", region_name=region)

#Role to give SageMaker AI permission to access AWS services.
sagemaker_role = get_execution_role()

#Specify a name for the model
model_name = "{{<name-for-model>}}"

#Specify a Model Registry model version
container_list = [
    {
        "ModelPackageName": {{<model-version-arn>}}
     }
 ]

#Create the model
response = client.create_model(
    ModelName = model_name,
    ExecutionRoleArn = sagemaker_role,
    container_list
)
```

## Untuk membuat model (menggunakan API)
<a name="serverless-endpoints-create-model-api"></a>

Contoh berikut menggunakan [AWS SDK untuk Python (Boto3) ](https://boto3.amazonaws.com/v1/documentation/api/latest/index.html) untuk memanggil API. [ CreateModel ](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateModel.html) Tentukan nilai-nilai berikut ini:
+ Untuk `sagemaker_role,` Anda dapat menggunakan SageMaker AI-created peran default atau peran IAM SageMaker AI yang disesuaikan dari Langkah 4 [Lengkapi prasyarat](serverless-endpoints-prerequisites.md) bagian.
+ Untuk`model_url`, tentukan URI Amazon S3 ke model Anda.
+ Untuk`container`, ambil wadah yang ingin Anda gunakan dengan jalur Amazon ECR-nya. Contoh ini menggunakan wadah SageMaker AI-provided XGBoost. Jika Anda belum memilih wadah SageMaker AI atau membawanya sendiri, lihat Langkah 6 [Lengkapi prasyarat](serverless-endpoints-prerequisites.md) bagian untuk informasi lebih lanjut.
+ Untuk`model_name`, masukkan nama untuk model.

```
#Setup
import boto3
import sagemaker
from sagemaker.core.helper.session_helper import get_execution_role
region = boto3.Session().region_name
client = boto3.client("sagemaker", region_name=region)

#Role to give SageMaker AI permission to access AWS services.
sagemaker_role = get_execution_role()

#Get model from S3
model_url = "{{s3://amzn-s3-demo-bucket/models/model.tar.gz}}"

#Get container image (prebuilt example)
from sagemaker.core import image_uris
container = image_uris.retrieve("xgboost", region, "0.90-1")

#Create model
model_name = "{{<name-for-model>}}"

response = client.create_model(
    ModelName = model_name,
    ExecutionRoleArn = sagemaker_role,
    Containers = [{
        "Image": container,
        "Mode": "SingleModel",
        "ModelDataUrl": model_url,
    }]
)
```

## Untuk membuat model (menggunakan konsol)
<a name="serverless-endpoints-create-model-console"></a>

1. Masuk ke konsol [ Amazon SageMaker AI](https://console.aws.amazon.com/sagemaker/home).

1. Di tab navigasi, pilih ** Inferensi. **

1. Selanjutnya, pilih ** Model**.

1. Pilih ** Buat model**.

1. Untuk Nama ** Model**, masukkan nama untuk model yang unik untuk akun Anda dan Wilayah AWS.

1. Untuk peran ** IAM**, pilih peran IAM yang telah Anda buat (lihat[Lengkapi prasyarat](serverless-endpoints-prerequisites.md)) atau izinkan SageMaker AI membuatnya untuk Anda.

1. Dalam definisi ** kontainer 1**, untuk opsi input ** kontainer**, pilih Men ** yediakan artefak model dan lokasi input**.

1. Untuk ** Menyediakan artefak model dan opsi gambar inferensi**, pilih ** Gunakan model ** tunggal.

1. Untuk ** Lokasi gambar kode inferensi**, masukkan jalur Amazon ECR ke wadah. Gambar harus berupa gambar pihak SageMaker AI-provided pertama (misalnya TensorFlow, XGBoost) atau gambar yang berada di repositori Amazon ECR dalam akun yang sama tempat Anda membuat titik akhir. Jika Anda tidak memiliki wadah, kembali ke Langkah 6 [Lengkapi prasyarat](serverless-endpoints-prerequisites.md) bagian untuk informasi lebih lanjut.

1. Untuk ** Lokasi artefak model**, masukkan URI Amazon S3 ke model ML Anda. Misalnya, `{{s3://amzn-s3-demo-bucket/models/model.tar.gz}}`.

1. (Opsional) Untuk ** Tag**, tambahkan pasangan kunci-nilai untuk membuat metadata untuk model Anda.

1. Pilih ** Buat model**.