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.
Sie können das SageMaker Python-SDK verwenden, um Ihr eigenes Verarbeitungsbild mithilfe der Processor Klasse auszuführen. Das folgende Beispiel zeigt, wie Sie Ihren eigenen Verarbeitungscontainer mit einer Eingabe von Amazon Simple Storage Service (Amazon S3) und einer Ausgabe an Amazon S3 ausführen.
from sagemaker.processing import Processor, ProcessingInput, ProcessingOutput
processor = Processor(image_uri='<your_ecr_image_uri>',
role=role,
instance_count=1,
instance_type="ml.m5.xlarge")
processor.run(inputs=[ProcessingInput(
source='<s3_uri or local path>',
destination='/opt/ml/processing/input_data')],
outputs=[ProcessingOutput(
source='/opt/ml/processing/processed_data',
destination='<s3_uri>')],
)Anstatt den Verarbeitungscode in das Verarbeitungs-Image zu integrieren, können Sie einen ScriptProcessor mit Ihrem eigenen Image und dem auszuführenden Befehl bereitstellen. Geben Sie diese zusammen mit dem Code an, den Sie in diesem Container ausführen möchten. Ein Beispiel finden Sie unter Ausführen von Scripts mit Ihrem eigenen Verarbeitungscontainer.
Sie können auch das Scikit-Learn-Image verwenden, das Amazon SageMaker Processing zur Verfügung stellt, SKLearnProcessor um Scikit-Learn-Skripts auszuführen. Ein Beispiel finden Sie unter Führen Sie einen Verarbeitungsjob mit scikit-learn aus.
