View a markdown version of this page

Konfiguration eines Modellalgorithmus in AWS Clean Rooms ML - AWS Clean Rooms

Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

Konfiguration eines Modellalgorithmus in AWS Clean Rooms ML

Nachdem Sie ein Container-Training-Image erstellt haben, müssen Sie Ihren Modellalgorithmus konfigurieren. Durch die Konfiguration eines Modellalgorithmus steht er für die Zuordnung zu einer Kollaboration zur Verfügung.

Die folgende Abbildung zeigt die Konfiguration eines Modellalgorithmus als einen Schritt, der nach der Erstellung des Container-Training-Images und vor der Verknüpfung mit der Kollaboration erfolgt.

Ein Überblick darüber, wie Sie ein benutzerdefiniertes ML-Modell beitragen können.
Console
Um einen Algorithmus für ein benutzerdefiniertes ML-Modell zu konfigurieren (Konsole)

  1. Melden Sie sich bei der an AWS-Managementkonsole und öffnen Sie die AWS Clean Rooms Konsole unter https://console.aws.amazon.com/cleanrooms.

  2. Wählen Sie im linken Navigationsbereich Benutzerdefinierte ML-Modelle aus.

  3. Wählen Sie auf der Seite Benutzerdefinierte ML-Modelle die Option Modellalgorithmus konfigurieren aus.

  4. Geben Sie auf der Seite Modellalgorithmus konfigurieren für Details zum Modellalgorithmus einen Namen und optional eine Beschreibung ein.

  5. Wenn Sie ein Modelltraining durchführen möchten, finden Sie unter Details zum ECR-Container für das Trainingsbild

    1. Aktivieren Sie das Kontrollkästchen Trainingsbild-URI angeben.

    2. Wählen Sie aus der Dropdownliste das Repository aus, das das Trainingsmodell, den Inferenzcontainer oder beides enthält.

    3. Wählen Sie das Bild aus.

    4. (Optional) Geben Sie den Wert für die Entrypoints ein, um auf das Trainingsbild zuzugreifen.

    5. (Optional) Geben Sie den Wert für die Argumente ein.

  6. (Optional) Wenn Sie Modellmetriken melden möchten, geben Sie für Trainingsmetriken den Namen der Metriken und die Regex-Anweisung ein, die die Ausgabeprotokolle nach der Metrik durchsucht.

  7. Wenn Sie eine Modellinferenz durchführen möchten, finden Sie Informationen zum ECR-Container für Inferenzbilder wie folgt

    1. Aktivieren Sie das Kontrollkästchen Inferenzbild-URI angeben.

    2. Wählen Sie das Repository aus der Dropdownliste aus.

    3. Wählen Sie das Bild aus.

  8. Wählen Sie für den Servicezugriff den Namen der vorhandenen Servicerolle aus, der für den Zugriff auf diese Tabelle verwendet wird.

  9. Wählen Sie für Verschlüsselung die Option Verschlüsselungseinstellungen anpassen, um Ihren eigenen KMS-Schlüssel und zugehörige Informationen anzugeben. Andernfalls verwaltet Clean Rooms ML die Verschlüsselung.

  10. Wenn Sie Tags aktivieren möchten, wählen Sie Neues Tag hinzufügen und geben Sie dann das Schlüssel-Wert-Paar ein.

  11. Wählen Sie Modellalgorithmus konfigurieren aus.

API

Um einen benutzerdefinierten ML-Modellalgorithmus (API) zu konfigurieren

  1. Erstellen Sie ein SageMaker AI-kompatibles Docker-Image. Clean Rooms ML unterstützt nur SageMaker AI-kompatible Docker-Images.

  2. Nachdem Sie ein SageMaker AI-kompatibles Docker-Image erstellt haben, verwenden Sie Amazon ECR, um ein Trainings-Image zu erstellen. Folgen Sie den Anweisungen im Amazon Elastic Container Registry User Guide, um ein Container-Training-Image zu erstellen.

  3. Konfigurieren Sie den Modellalgorithmus für die Verwendung in Clean Rooms ML. Sie müssen die folgenden Informationen angeben:

    • Der Amazon ECR-Repository-Link und zusätzliche Argumente zum Trainieren des Modells und zum Ausführen von Inferenzen. Clean Rooms ML unterstützt die Ausführung von Batch-Transformationsaufträgen auf einem Inferenzcontainer.

    • Eine Servicezugriffsrolle, die Clean Rooms ML den Zugriff auf das Repository ermöglicht.

    • (Optional) Ein Inferenzcontainer. Sie können ihn zwar in einem separat konfigurierten Modellalgorithmus bereitstellen, wir empfehlen jedoch, ihn in diesem Schritt bereitzustellen, damit sowohl der Trainings- als auch der Inferenzcontainer als Teil derselben Ressource verwaltet werden.

    Führen Sie den folgenden Code mit Ihren spezifischen Parametern aus.

    import boto3 
acr_ml_client= boto3.client('cleanroomsml')

acr_ml_client.create_configured_model_algorithm(
    name='configured_model_algorithm_name',
    trainingContainerConfig={
        'imageUri': 'account.dkr.ecr.region.amazonaws.com/image_name:tag',
        'metricDefinitions': [
            {
                'name': 'custom_metric_name_1',
                'regex': 'custom_metric_regex_1'
            }
        ]
    },
    inferenceContainerConfig={
        'imageUri':'account.dkr.ecr.region.amazonaws.com/image_name:tag',
    }
    roleArn='arn:aws:iam::account:role/role_name'
)