Open-source платформа для отслеживания и визуализации обучения AI-моделей: метрики, гиперпараметры и статистика оборудования; доступна в облаке или для самостоятельного размещения.
4,3 тыс.+3 за неделю234PythonApache-2.0Обновлён 12 часов назад
aws/amazon-sagemaker-examples
Подборка примеров Jupyter notebooks, которые показывают, как создавать, обучать и развёртывать модели машинного обучения на Amazon SageMaker.
- Звёзды
- 10,994
- Форки
- 6,951
- Открытые issues
- 855
- Последний коммит
- 10 дней назад
Что это?
В этом репозитории собрана библиотека Jupyter notebooks, которые показывают весь процесс работы с Amazon SageMaker от начала до конца. Ноутбуки сгруппированы по этапам жизненного цикла: обучение, настройка моделей, оценка, инференс и MLOps. Каждый ноутбук самодостаточен и содержит собственные скрипты, данные и изображения.
В примерах обучения используется класс ModelTrainer из SageMaker Python SDK v3. Они охватывают распределённое обучение, управляемое обучение на spot-инстансах с checkpointing, использование собственного контейнера и запуск локального кода в качестве задачи обучения. Примеры настройки моделей посвящены методам дообучения, таким как supervised fine-tuning, DPO, RLVR и continued pre-training. В примерах инференса используется ModelBuilder; они охватывают синхронные, serverless- и асинхронные endpoints, A/B-тестирование, autoscaling и развёртывание в Amazon Bedrock.
Ноутбуки рассчитаны на запуск в SageMaker Notebook Instances, где они уже доступны, но их можно запускать и в других средах после обновления IAM role и установки зависимостей. За официальный репозиторий отвечает команда SageMaker, а в отдельном репозитории сообщества принимаются дополнительные примеры.
Ключевые возможности
- 01Ноутбуки сгруппированы по этапам жизненного цикла: обучение, настройка моделей, оценка, инференс и MLOps
- 02Примеры на основе ModelTrainer и ModelBuilder из SageMaker Python SDK v3
- 03Распределённое обучение, управляемое обучение на spot-инстансах и использование собственного контейнера
- 04Примеры инференса для синхронных, serverless- и асинхронных endpoints
- 05Примеры MLOps с SageMaker Pipelines, Model Registry, Feature Store и MLflow
Сценарии использования
- Изучить обучение и развёртывание модели на SageMaker на готовом примере
- Дообучить foundation model на SageMaker с помощью SFT, DPO или обучения с подкреплением
- Настроить MLOps pipeline с реестром моделей и отслеживанием lineage
- Сравнить варианты развёртывания, например синхронный, serverless- и пакетный инференс
Быстрый старт
- 1
Создайте учетную запись AWS
- 2
Настройте разрешения пользователя и роли IAM
- 3
Создайте экземпляр Amazon SageMaker Notebook и бакет S3
- 4
Откройте вкладку SageMaker Examples в Jupyter или JupyterLab и запустите ноутбук
Что важно знать
- Для этого нужна учетная запись AWS; за запуск примеров взимается плата AWS.
- Большинство примеров зависят от ресурсов, управляемых SageMaker, поэтому для запуска в другой среде потребуются изменения, например обновление роли IAM и установка библиотек.
В подборках
Темы
Частые вопросы
- Что такое amazon-sagemaker-examples?
- Подборка примеров Jupyter notebooks, которые показывают, как создавать, обучать и развёртывать модели машинного обучения на Amazon SageMaker. В этом репозитории собрана библиотека Jupyter notebooks, которые показывают весь процесс работы с Amazon SageMaker от начала до конца. Ноутбуки сгруппированы по этапам жизненного цикла: обучение, настройка моделей, оценка, инференс и MLOps. Каждый ноутбук самодостаточен и содержит собственные скрипты, данные и изображения.
- amazon-sagemaker-examples можно использовать бесплатно? Какая у него лицензия?
- amazon-sagemaker-examples распространяется с открытым исходным кодом под лицензией Apache-2.0. Перед использованием в коммерческих продуктах проверьте условия лицензии.
- amazon-sagemaker-examples всё ещё поддерживается?
- Активно поддерживается. Последний коммит в amazon-sagemaker-examples — 14 окт. 2026 г..
- Для чего можно использовать amazon-sagemaker-examples?
- Изучить обучение и развёртывание модели на SageMaker на готовом примере Дообучить foundation model на SageMaker с помощью SFT, DPO или обучения с подкреплением Настроить MLOps pipeline с реестром моделей и отслеживанием lineage Сравнить варианты развёртывания, например синхронный, serverless- и пакетный инференс
- Как установить amazon-sagemaker-examples?
- Создайте учетную запись AWS Настройте разрешения пользователя и роли IAM Создайте экземпляр Amazon SageMaker Notebook и бакет S3 Откройте вкладку SageMaker Examples в Jupyter или JupyterLab и запустите ноутбук
- Где скачать amazon-sagemaker-examples?
- Исходный код и инструкции по установке — на GitHub: https://github.com/aws/amazon-sagemaker-examples
Описание создано ИИ на основе README проекта. Статистика GitHub обновляется ежедневно.
Похожие проекты
Python SDK для обучения и развертывания моделей машинного обучения в Amazon SageMaker с поддержкой фреймворков, встроенных алгоритмов и собственных контейнеров.
2,3 тыс.1,3 тыс.PythonApache-2.0Обновлён вчера
Ray — единый фреймворк для масштабирования приложений на Python и ИИ: от ноутбука до кластера, с распределённой средой выполнения и библиотеками для ИИ.
44,1 тыс.+10 за неделю8,2 тыс.PythonApache-2.0Обновлён 10 часов назад
Библиотека Python для создания и запуска API инференса AI-моделей, конвейеров из нескольких моделей и приложений на базе LLM с развёртыванием в Docker и Kubernetes.
8,9 тыс.+5 за неделю1,1 тыс.PythonApache-2.0Обновлён вчера
Библиотека с открытым исходным кодом: 98 наборов навыков для AI-исследований и инженерных задач в Claude Code, Codex и Gemini CLI.
13,9 тыс.973TeXMITОбновлён 14 дней назад
Открытый Python-фреймворк для оценки, тестирования и мониторинга ML- и LLM-систем: более 100 встроенных метрик и обнаружение дрейфа.
8 тыс.+4 за неделю958Jupyter NotebookApache-2.0Обновлён 26 дней назад