使用 Amazon SageMaker JumpStart 快速開始機器學習專案

若要開始使用，您需要透過按一下檔案視窗檢視頂部的 + 圖示，開啟一個新的啟動器視窗。

在啟動器檢視的左上角，按一下 JumpStart models, algorithms, and solutions (JumpStart 模型、演算法和解決方案) 按鈕。這將啟動 SageMaker JumpStart，您將看到一個新視窗，其中包含各種特色內容、解決方案、模型、問題類型等。在本教學中，您將執行 BERT Base Cased Text 預訓練模型。

若要尋找該預訓練模型，請使用右上角的搜尋列並輸入 BERT。BERT 模型將顯示。按一下標題為 BERT Base Cased Text - Text Classification 的模型。您也可以瀏覽可用的模型，以找到正確的模型。

BERT 模型包含按原樣部署預訓練模型或重新訓練模型的選項。在本教學中，您將按原樣部署預訓練模型。首先，按一下 Deployment Configuration (部署組態) 旁邊的下拉式清單。接下來，按一下下拉式清單 SageMaker hosting instance (SageMaker 託管執行個體)。您將看到許多執行個體類型，它們對應於將用於託管端點的資源。選取 ml.m5.large。第二個方塊對應於端點名稱。請保留預設值。另請註意，如果需要，您可以重新命名端點。

按一下標記為 Security Settings (安全設定) 的下一個下拉式清單的箭頭。您可以設定執行角色、VPC 連線和加密。在本教學中，這些步驟不是必需的。但請注意，這些選項可供使用，您進行變更部署時，您可能希望變更它們。按一下 Deploy (部署) 選項開始設定模型端點。

接下來，您將看到一個顯示模型部署狀態的對話方塊。這個程序可能需要 5 到 10 分鐘才能完成。隨著該程序的進行，該對話方塊將動態顯示模型類型、任務、端點識別符、端點名稱、執行個體類型、執行個體數量和模型資料位置等中繼資料。端點部署完成後，服務狀態應更新為 In Service (服務中)。

在此步驟中，您將使用提供的示範筆記本來測試端點。按一下 Open Notebook (開啟筆記本) 按鈕開啟筆記本。該筆記本包含 Python 程式碼，用於透過該端點執行兩個文字範例並檢視模型輸出。該模型預測情緒得分概率和預測標籤。

要繼續執行筆記本，請按一下螢幕擷取畫面中的開始圖示。您也可以按住 Shift 鍵並按 Return 鍵前進到下一個儲存格。預測的標籤和相關的概率將列印在儲存格的底部。

您現在已透過很少的手動操作，使用預訓練的 BERT Base Cased Text - Text Classification 模型部署了一個模型端點。恭喜您！

如果您在步驟 1 中使用了現有的 SageMaker Studio 網域，請略過步驟 6 的其餘部分並直接進入「結論」部分。 

如果您在步驟 1 中執行 CloudFormation 範本來建立新的 SageMaker Studio 網域，請繼續執行下列步驟以刪除由 CloudFormation 範本建立的網域、使用者和資源。

若要開啟 CloudFormation 主控台，請在 AWS Console 搜尋列中輸入 CloudFormation，然後從搜尋結果中選擇 CloudFormation。

在 CloudFormation 窗格中，選擇 Stacks (堆疊)。從狀態下拉式清單中，選取 Active (作用中)。在 Stack name (堆疊名稱) 下，選擇 CFN-SM-IM-Lambda-Catalog 開啟堆疊詳細資訊頁面。

在 CFN-SM-IM-Lambda-Catalog 堆疊詳細資訊頁面上，選擇 Delete (刪除) 以刪除在步驟 1 中建立的堆疊及資源。