amazon-sagemaker-examples
照着跑一遍，轻松上手 AWS 机器学习全流程
项目预览
项目数据
项目介绍
Star 增长趋势
本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整
数据来源：GitHub API 逐日快照 · 收录于 2026-08-09 · 当前星标 ★ 11003
使用教程
⚠ 本教程由 AI 依据该项目 README 整理；原始文档不完整，部分步骤为通用流程推断，实际安装请以项目官方文档为准。
⚠ 该项目 README 未提供完整安装说明，以下步骤为通用流程，请以官方文档为准。
环境要求
- AWS 账号
- 正确配置的 IAM 用户与角色
- Amazon SageMaker Notebook 实例
- 一个 S3 存储桶
安装与启动步骤
-
1注册 AWS 账号
访问 AWS 官网注册账号并完成实名与支付方式配置，这是使用 SageMaker 的前提条件。
-
2配置 IAM 用户与角色
按 AWS 官方文档创建 IAM 用户和 IAM 角色，并授予 SageMaker 与 S3 所需的访问权限。
-
3创建 Notebook 实例
在 SageMaker 控制台创建一个 Amazon SageMaker Notebook 实例，示例 Notebook 会加载到该实例中。
-
4打开示例 Notebook
在 Jupyter 中点击 SageMaker Examples 标签，或在 JupyterLab 中点击 SageMaker logo 查看示例。
-
5运行并调整示例
示例已自动加载可直接运行；若在 Notebook 实例外运行，需更新 IAM 角色定义并安装必要的库。
如何确认成功
在 Jupyter 中能看到 SageMaker Examples 标签并成功打开任一 Notebook，即表示环境已就绪。
常见问题
Q：没有 AWS 账号可以用吗？
A：不可以。README 明确要求先拥有 AWS 账号，并完成 IAM 用户与角色的权限配置，否则无法创建 Notebook 实例和运行示例。
Q：必须在 SageMaker Notebook 实例里运行吗？
A：大多数示例使用分布式托管训练或实时端点，建议在 Notebook 实例中运行；README 说明也可在实例外运行，但需更新 IAM 角色定义并安装必要的库。
Q：怎么找到这些示例 Notebook？
A：它们会自动加载到 SageMaker Notebook 实例中，在 Jupyter 里点击 SageMaker Examples 标签，或在 JupyterLab 里点击 SageMaker logo 即可看到。
Q：运行示例报权限错误怎么办？
A：检查 IAM 用户与角色的权限是否已按 AWS 文档正确配置，并确认实例能够访问所需的 S3 存储桶。
注意事项
- 本项目是 Jupyter Notebook 示例集合，本身无需编译或安装，重点是准备 AWS 环境。
- 示例大多会调用托管训练、调优或实时端点等 SageMaker 服务，运行会产生 AWS 费用。
- 在 SageMaker Notebook 实例之外运行示例时，需要更新 IAM 角色定义并自行安装所需库。
核心亮点
- 官方出品，覆盖 SageMaker 全功能，示例丰富且持续更新
- 每个 Notebook 都有详细说明和真实数据，可直接运行验证
- 涵盖从入门到进阶的完整场景，包括 MLOps 和强化学习
不足之处
- 依赖 AWS 账号和付费服务，本地运行成本较高
- 部分示例依赖特定区域或资源，需额外配置
- 文档/社区待观察
适用场景
- 快速评估 SageMaker 能力，验证机器学习方案可行性
- 学习 AWS 上构建端到端 ML 流水线的标准实践
- 作为企业内训或课程教材，演示模型训练与部署
替代项目
aws-samples、google-cloud-ai-platform-samples、azureml-examples
上一篇：ml-engineering
下一篇：aim
同类项目推荐
OntoTune
开源
用本体知识给大模型开小灶，让专业回答更靠谱
[Paper][WWW2025] OntoTune: Ontology-Driven Self-training for Aligning Large Language···
stable-dreambooth
开源
用最少代码微调 Stable Diffusion，几张图定制专属模型。
Dreambooth implementation based on Stable Diffusion with minimal code.
CorDA
开源
用上下文感知的低秩分解，让大模型微调更省资源更精准
CorDA: Context-Oriented Decomposition Adaptation of Large Language Models for task-a···
LMFlow
开源
一键微调大模型，人人可用的高效工具包
An Extensible Toolkit for Finetuning and Inference of Large Foundation Models. Large···
physicsnemo
开源
用物理规律训练神经网络，让仿真又快又准
Open-source deep-learning framework for building, training, and fine-tuning deep lea···
LLaSA_training
开源
用LLM算力换自然语音，训练推理双扩展
LLaSA: Scaling Train-time and Inference-time Compute for LLaMA-based Speech Synthesi···
MyLLM
开源
跟着 Notebook 从数据到应用跑通大模型全流程
"LLM from Zero to Hero: An End-to-End Large Language Model Journey from Data to Appl···
create-llm
开源
一条命令生成可训练的 PyTorch 大模型工程
The fastest way to build and start training your own LLM. CLI tool that scaffolds pr···
LLMNodeBed
开源
统一基准，对比LLM节点分类算法，复现ICML论文结果。
[ICML 2025] Official implementation for paper "A Comprehensive Analysis on LLM-based···