Tabla de contenido
Uso de SageMaker para aprovisionar un modelo de
capacitación previa para un proyecto de muestra
En este ejemplo, comience con un modelo de detección de objetos de SqueezeNet y utilice SageMaker
para entrenarlo para realizar clasificación binaria para determinar si un objeto es un perrito caliente. En
el ejemplo se muestra cómo editar un modelo para realizar clasificación binaria, y se explican la tasa de
aprendizaje y las fechas de inicio. Hemos proporcionado una instancia de bloc de notas de Jupyter, que
es software de código abierto para informática interactiva. Incluye el código de edición para ejecutar y
explicaciones para todo el proceso.
Una vez que se ha entrenado el modelo, importa sus artefactos a AWS DeepLens y crea un proyecto. A
continuación, ve cómo AWS DeepLens detecta e identifica perritos calientes.
Temas
•
Paso 1: Crear un bucket de Amazon S3 (p. 74)
•
Paso 2: Crear una instancia de bloc de notas de SageMaker (p. 75)
•
Paso 3: Editar el modelo en SageMaker (p. 76)
•
Paso 4: Optimizar el modelo (p. 78)
•
Paso 5: Importar el modelo (p. 79)
•
Paso 6: Crear una función de Lambda de inferencia (p. 80)
•
Paso 7: Crear un nuevo proyecto de AWS DeepLens (p. 81)
•
Paso 8: Revisar e implementar el proyecto (p. 82)
•
Paso 9: Ver el resultado de su modelo (p. 83)
AWS DeepLens Guía para desarrolladores
Uso de SageMaker para aprovisionar
un modelo para un proyecto
73
Tabla de contenido
Solución de problemas
