Einschränkungen und Fehlerbehebung - Amazon SageMaker
Behebung von Problemen bei der Erteilung von Berechtigungen über die SageMaker KonsoleBehebung von Problemen beim Erstellen einer Canvas-Anwendung aufgrund eines SpeicherplatzfehlersEinschränkungen für die ZusammenarbeitEinschränkungen für Bring Your Own Model () BYOM

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.

Einschränkungen und Fehlerbehebung

Im folgenden Abschnitt werden die Hilfe zur Fehlerbehebung und die Einschränkungen beschrieben, die bei der Verwendung von Amazon SageMaker Canvas gelten. Sie können dieses Thema verwenden, um Ihnen bei der Behebung von Problemen zu helfen, auf die Sie stoßen.

Behebung von Problemen bei der Erteilung von Berechtigungen über die SageMaker Konsole

Wenn Sie Probleme haben, Ihrem Benutzer Canvas-Basisberechtigungen oder Ready-to-use Modellberechtigungen zu gewähren, hat Ihr Benutzer möglicherweise eine AWS IAM Ausführungsrolle mit mehr als einer Vertrauensstellung zu anderen AWS Diensten. Eine Vertrauensstellung ist eine mit Ihrer Rolle verknüpfte Richtlinie, die definiert, welche Prinzipale (Benutzer, Rollen, Konten oder Services) die Rolle übernehmen können. Beispielsweise könnte ein Problem auftreten, wenn Sie Ihrem Benutzer zusätzliche Canvas-Berechtigungen gewähren, wenn seine Ausführungsrolle sowohl zu Amazon als auch zu Amazon SageMaker Forecast eine Vertrauensbeziehung hat.

Sie können dieses Problem beheben, indem Sie eine der folgenden Optionen auswählen.

1. Entfernen Sie alle vertrauenswürdigen Services bis auf einen aus der Rolle.

Bei dieser Lösung müssen Sie die Vertrauensstellung für die IAM Rolle Ihres Benutzerprofils bearbeiten und alle AWS Dienste außer... entfernen SageMaker.

Gehen Sie wie folgt vor, um die Vertrauensstellung für Ihre IAM Ausführungsrolle zu bearbeiten:

  1. Gehen Sie zur IAM Konsole unter https://console.aws.amazon.com/iam/.

  2. Wählen Sie im Navigationsbereich der IAM Konsole Rollen aus. In der Konsole werden die Rollen für Ihr Konto angezeigt.

  3. Wählen Sie den Namen der Rolle aus, die Sie ändern möchten, und öffnen Sie die Registerkarte Trust relationships auf der Detailseite.

  4. Wählen Sie Vertrauensrichtlinie bearbeiten aus.

  5. Fügen Sie im Editor für die Vertrauensstellung Folgendes ein, und wählen Sie dann Richtlinie aktualisieren.

    {
    "Version": "2012-10-17",
    "Statement": [
        {
            "Effect": "Allow",
            "Principal": {
                "Service": [
                    "sagemaker.amazonaws.com"
                ]
            },
            "Action": "sts:AssumeRole"
        }
    ]
}

Sie können dieses Richtliniendokument auch mit dem aktualisieren IAMCLI. Weitere Informationen finden Sie unter update-trust in der IAMBefehlszeilenreferenz.

Sie können jetzt erneut versuchen, Ihrem Benutzer die Canvas-Basisberechtigungen oder die Ready-to-use Modellberechtigungen zu gewähren.

2. Verwenden Sie eine andere Rolle mit einem oder weniger vertrauenswürdigen Services.

Für diese Lösung müssen Sie eine andere IAM Rolle für Ihr Benutzerprofil angeben. Verwenden Sie diese Option, wenn Sie bereits über eine IAM Rolle verfügen, die Sie ersetzen können.

Um eine andere Ausführungsrolle für Ihren Benutzer anzugeben, führen Sie die folgenden Schritte aus:

  1. Öffnen Sie die SageMaker Amazon-Konsole unter https://console.aws.amazon.com/sagemaker/.

  2. Wählen Sie im linken Navigationsbereich Admin-Konfigurationen.

  3. Wählen Sie unter Admin-Konfigurationen die Option Domains aus.

  4. Wählen Sie aus der Liste der Domänen die Domain aus, für die Sie eine Liste mit Benutzerprofilen anzeigen möchten.

  5. Wählen Sie auf der Seite mit den Domänendetails die Registerkarte Benutzerprofile aus.

  6. Wählen Sie den Benutzer, dessen Berechtigungen Sie bearbeiten möchten. Wählen Sie auf der Seite Benutzerdetails die Option Bearbeiten.

  7. Wählen Sie auf der Seite Allgemeine Einstellungen die Dropdown-Liste Ausführungsrolle und wählen Sie die Rolle aus, die Sie verwenden möchten.

  8. Wählen Sie Senden, um Ihre Änderungen am Benutzerprofil zu speichern.

Ihr Benutzer sollte jetzt eine Ausführungsrolle mit nur einem vertrauenswürdigen Dienst (SageMaker) verwenden.

Sie können erneut versuchen, Ihrem Benutzer die Canvas-Basisberechtigungen oder die Ready-to-use Modellberechtigungen zu gewähren.

3. Hängen Sie die AWS verwaltete Richtlinie manuell an die Ausführungsrolle an, anstatt den Schalter in den SageMaker Domäneneinstellungen zu verwenden.

Anstatt den Schalter in den Domänen- oder Benutzerprofileinstellungen zu verwenden, können Sie die AWS verwalteten Richtlinien, die einem Benutzer die richtigen Berechtigungen gewähren, manuell anhängen.

Um einem Benutzer Canvas-Basisberechtigungen zu gewähren, hängen Sie die AmazonSageMakerCanvasFullAccessRichtlinie an. Um einem Ready-to-use Benutzermodell Berechtigungen zu erteilen, fügen Sie die AmazonSageMakerCanvasAIServicesAccessRichtlinie bei.

Gehen Sie wie folgt vor, um Ihrer Rolle eine AWS verwaltete Richtlinie hinzuzufügen:

  1. Gehen Sie zur IAM Konsole unter https://console.aws.amazon.com/iam/.

  2. Wählen Sie Roles.

  3. Suchen Sie im Suchfeld anhand des Namens nach der IAM Rolle des Benutzers und wählen Sie sie aus.

  4. Wählen Sie auf der Seite für die Benutzerrolle unter Berechtigungen die Option Berechtigungen hinzufügen aus.

  5. Wählen Sie aus dem Dropdown-Menü die Option Richtlinien anhängen.

  6. Suchen Sie nach der Richtlinie oder den Richtlinien, die Sie der Ausführungsrolle des Benutzers zuordnen möchten, und wählen Sie sie aus:

    1. Um den Canvas-Basisberechtigungen zu gewähren, suchen Sie nach der AmazonSageMakerCanvasFullAccessRichtlinie und wählen Sie sie aus.

    2. Um den Ready-to-use Modellen Berechtigungen zu erteilen, suchen Sie nach der AmazonSageMakerCanvasAIServicesAccessRichtlinie und wählen Sie sie aus.

  7. Wählen Sie Berechtigungen hinzufügen, um die Richtlinie mit der Rolle zu verknüpfen.

Nachdem Sie der Rolle des Benutzers über die IAM Konsole eine AWS verwaltete Richtlinie hinzugefügt haben, sollte Ihr Benutzer nun über die Canvas-Basisberechtigungen oder Ready-to-use Modellberechtigungen verfügen.

Behebung von Problemen beim Erstellen einer Canvas-Anwendung aufgrund eines Speicherplatzfehlers

Wenn Sie beim Erstellen einer neuen Canvas-Anwendung auf einen Fehler stoßen, bedeutet diesUnable to create app <app-arn> because space <space-arn> is not in InService state, dass die Erstellung des zugrunde liegenden Amazon SageMaker Studio-Speicherplatzes fehlgeschlagen ist. Ein Studio-Space ist der zugrunde liegende Speicher, der Ihre Canvas-Anwendungsdaten hostet. Weitere allgemeine Informationen zu Studio-Spaces finden Sie unterAmazon SageMaker Studio-Räume. Weitere Informationen zur Konfiguration von Spaces in Canvas finden Sie unterSpeichern Sie SageMaker Canvas-Anwendungsdaten in Ihrem eigenen Bereich SageMaker.

Um die Hauptursache für das Fehlschlagen der Space-Erstellung DescribeSpaceAPIzu ermitteln, können Sie das FailureReason Feld mithilfe von überprüfen. Weitere Informationen zu den möglichen Status von Leerzeichen und deren Bedeutung finden Sie unterEntitäten und Status von SageMaker Amazon-Domains.

Um dieses Problem zu beheben, suchen Sie in der SageMaker Konsole nach Ihrer Domain und löschen Sie den fehlerhaften Bereich, der in der Fehlermeldung aufgeführt ist, die Sie erhalten haben. Eine ausführliche Anleitung zum Suchen und Löschen eines Bereichs finden Sie auf der SeiteLöschen oder beenden Sie Ihre laufenden Studio-Instanzen, -Anwendungen und -Spaces. Folgen Sie dort den Anweisungen zum Löschen eines Studio-Bereichs. Durch das Löschen des Bereichs werden auch alle Anwendungen gelöscht, die dem Bereich zugeordnet sind. Nachdem Sie den Bereich gelöscht haben, können Sie erneut versuchen, Ihre Canvas-Anwendung zu erstellen. Der Speicherplatz sollte jetzt erfolgreich bereitgestellt werden, sodass Canvas gestartet werden kann.

Einschränkungen für die Zusammenarbeit

Die folgenden allgemeinen Einschränkungen gelten, wenn Sie mit Datenwissenschaftlern in Amazon SageMaker Studio Classic zusammenarbeiten.

  • Sie können nur erfolgreich trainierte Modelle von Canvas an Studio Classic weitergeben. Ebenso können Sie nur Modelle, die erfolgreich in Studio Classic trainiert wurden, wieder für Canvas freigeben.

  • Sie können Quick Build-Modelle von Canvas nicht für Studio Classic freigeben. Sie können nur Standard-Build-Modelle teilen.

  • Sie können nur eine Version eines in Canvas trainierten Standard-Build-Modells teilen. Sie können weitere Versionen Ihres Modells in Canvas trainieren, aber Sie können sie nicht für Studio Classic freigeben.

  • In Studio Classic kannst du nur Feedback oder ein aktualisiertes Modell mit Canvas teilen. Sie können nicht beide Aktionen gleichzeitig ausführen.

  • Die Längenbeschränkung für Kommentare, die von Studio Classic an Canvas und von Canvas an Studio Classic weitergegeben werden, beträgt 1024 Zeichen.

  • Sie können Ihre Canvas- oder Studio Classic-Modelle nur mit einem anderen Benutzerprofil teilen. Sie können innerhalb Ihres eigenen Benutzerprofils keine Modelle zwischen Canvas und Studio Classic teilen.

  • Sie können Inhalte nicht von einem Canvas-Benutzer an einen Canvas-Benutzer oder von einem Studio Classic-Benutzer an einen Studio Classic-Benutzer weitergeben.

Je nach Modelltyp, den Sie teilen möchten, gelten auch Einschränkungen. In den folgenden Abschnitten finden Sie Einschränkungen für Zeitreihen-Prognosemodelle sowie numerische und kategoriale Vorhersagemodelle.

Einschränkungen bei der Zusammenarbeit an Zeitreihen-Prognosemodellen

Die folgenden Einschränkungen gelten, wenn Sie gemeinsam an Zeitreihen-Prognosemodellen zwischen Canvas und Studio Classic arbeiten.

  • Sie können mit Zeitreihen-Prognosemodellen in Studio Classic keine Vorhersagen über eine automatisierte Schaltfläche „Teilen“ treffen. Sie können jedoch ein Jupyter Notebook erstellen und Ihren eigenen Code schreiben.

  • Bei Zeitreihen-Prognosemodellen können Sie das Modellrezept oder die Datentransformationen in Studio Classic nicht ändern. In Studio Classic können Sie nur die folgenden Aktualisierungen an Zeitreihen-Prognosemodellen vornehmen:

    • Sie können die Länge des Prognosehorizonts aktualisieren.

    • Sie können das Metadatenfeld des Elements aktualisieren, das Ihre Daten nach einer bestimmten Spalte gruppiert.

    • Sie können andere Dimensionsfelder aktualisieren, z. B. einen Feiertagsplan angeben.

Einschränkungen bei der Zusammenarbeit an numerischen und kategorialen Vorhersagemodellen

Die folgenden Einschränkungen gelten, wenn Sie gemeinsam an numerischen und kategorialen Vorhersagemodelltypen zwischen Canvas und Studio Classic arbeiten.

  • Wenn Sie beim Aktualisieren oder Trainieren von Modellen in Studio Classic die Registerkarte mit dem Banner für die Zusammenarbeit oben schließen, wird der Workflow zum Teilen von Modellen beendet und Sie verlieren Ihren Fortschritt. In diesem Fall müssen Sie den Workflow für die Modellfreigabe im Abschnitt Mit mir geteilt auf der Seite Freigegebene Modelle neu starten. Weitere Informationen finden Sie unter Zusammenarbeit mit Datenwissenschaftlern.

  • Wenn Sie Modelle in Studio Classic aktualisieren, können Sie die Zielspalte nicht ändern, wenn Sie die Modellaktualisierungen wieder in Canvas teilen möchten. Wenn Sie die Zielspalte ändern und das Modell erneut trainieren möchten, trainieren Sie das Modell und verwenden Sie dann die Schaltfläche Teilen, um es auf Canvas zu teilen. Weitere Informationen zum Teilen eines neuen Modells in Canvas finden Sie unter Bringen Sie Ihr eigenes Modell auf SageMaker Canvas.

  • Beim Aktualisieren von Modellen in der Amazon SageMaker Data Wrangler Recipe-Oberfläche in Studio Classic gibt es Einschränkungen, auf die Änderungen, die ein Studio Classic-Benutzer anwenden kann, die Canvas unterstützt:

    • Sie können nur ein Modell für Canvas freigeben, das vom letzten Knoten in einem linearen Data Wrangler-Datenfluss aus trainiert wurde.

    • Es werden nur Transformationsknoten unterstützt.

    • In der Spalte Ziel können Sie keine Operationen ausführen.

    • Sie können den Datentyp von Spalten nicht aktualisieren.

    • Sie können die Datenquelle nicht aktualisieren oder eine neue Datenquelle hinzufügen.

  • Wenn Sie auf der Studio Classic Autopilot-Seite einen alternativen Kandidaten für Canvas teilen, können Sie das Modell nicht aus der Bestenliste auswählen. Sie müssen das geteilte Modell aus dem Banner auswählen und dann eine Alternative aus der Liste auswählen. Weitere Informationen finden Sie in der Canvas-Dokumentation unter Freigeben eines alternativen Modells für den Canvas-Benutzer.

  • Nur Modelle, die mit SageMaker Neo kompatibel sind, können erfolgreich für Canvas freigegeben werden. Kompatible Modelle sind Autopilot-Modelle, die unsere Algorithmen verwendenXGBoost. MLP Zu den inkompatiblen Modellen gehören Autopilot-Modelle, die den linearen Lernalgorithmus verwenden.

  • Für benutzerdefinierte Formeltransformationen mit Spark unterstützt Canvas nur unäre OperationenSQL, Aggregatfunktionen, die Zeichenkettenverkettungsoperation und die Power-Operation. Andere Operationen werden nicht unterstützt.

Einschränkungen für Bring Your Own Model () BYOM

Die folgenden allgemeinen Einschränkungen gelten, wenn Sie Ihr eigenes Modell auf SageMaker Canvas bringen möchten.

  • Wenn ein Modell von Studio Classic in Canvas gemeinsam genutzt wird, kann der Canvas-Benutzer keine Details zu dem Datensatz aktualisieren oder anzeigen, der zum Erstellen des Modells verwendet wurde.

  • Wenn ein Canvas-Benutzer eine einzelne Vorhersage für ein importiertes Modell ausführen möchte, gibt es beim Aktualisieren von Spaltenwerten keine Datentypbeschränkungen. Sie müssen manuell sicherstellen, dass Sie beim Aktualisieren von Werten für einzelne Vorhersagen dem Datentyp der vorhandenen Werte entsprechen.

  • Wenn ein Canvas-Benutzer Batch-Vorhersagen für ein importiertes Modell ausführen möchte, geht Canvas davon aus, dass Sie (der Canvas-Benutzer) wissen, wie der erwartete Eingabedatensatz aussehen sollte. Sie sollten über einen Datensatz mit Spalten und Datentypen verfügen, die dem Datensatz entsprechen, der zum Trainieren des Modells verwendet wurde. Falls nicht, wenden Sie sich an den Benutzer, der das Modell für Sie freigegeben hat, und importieren Sie einen Datensatz, den Sie für die Ausführung von Batch-Vorhersagen verwenden können.

  • Die Canvas-Anwendung verwendet intern einen Serverless Endpunkt, um Vorhersagen auszuführen und Modellmetriken zu generieren. Das für Canvas freigegebene Modell muss mit Serverless Endpunkten kompatibel sein:

    • Die maximale Speichergröße beträgt 6144 MB.

    • Verwenden Sie bei der Konfiguration der Inferenzeingabe-Antwortschlüssel in Ihrem Container die folgende Konfiguration:

      INFERENCE_INPUT_RESPONSE_KEYS = {
 "BINARY": ["predicted_label", "probability"],
 "MULTI_CLASS": ["predicted_label", "probability", "probabilities", "labels"],
}

    • Sie können entweder einen von Ihnen SageMaker bereitgestellten Inferenzcontainer wählen oder Ihren eigenen Bildinferenzcontainer mitbringen, der als Endpunkt verwendet werden soll. SageMaker bietet Container für seine integrierten Algorithmen und vorgefertigte Docker-Images für einige der gängigsten Frameworks für maschinelles Lernen. Wenn Sie Ihren eigenen Container mitbringen, müssen Sie ihn modifizieren, damit er funktioniert. SageMaker Weitere Informationen zum Einbinden eigener Container finden Sie unter Anpassen des eigenen Inferenz-Containers.

    • Die Funktionsausschlüsse für Serverless Endpunkte gelten ebenfalls.

  • Um ein Modell erfolgreich von Studio Classic für Canvas freizugeben, akzeptiert Canvas Modellinferenzausgaben im folgenden Format:

    TEXT/CSV

    • Regression: Die Antwort auf die Modellinferenz sollte eine Bytezeichenfolge sein, in der die einzelnen Ausgabevorhersagen durch Folgendes getrennt sind: \n

      b'-0.0007884334772825241\n-0.015136942267417908\n0.050063662230968475\n0.02891816757619381\n'

    • Klassifizierung: Die Antwort auf die Modellinferenz sollte eine Byte-Zeichenkette sein, bei der die einzelnen Elemente predicted_label, predicted_probability, probabilities und labels durch \n getrennt sind. Das folgende Beispiel bezieht sich auf eine binäre Klassifikation:

      b'no,0.9967488050460815,"[0.9967488050460815, 0.003251201706007123]","[\'no\', \'yes\']"\nno,0.9999420642852783,"[0.9999420642852783, 5.793538366560824e-05]","[\'no\', \'yes\']"\nno,0.9999846816062927,"[0.9999846816062927, 1.5326571883633733e-05]","[\'no\', \'yes\']"\nno,0.9999727606773376,"[0.9999727606773376, 2.7267418772680685e-05]","[\'no\', \'yes\']"\n'

      Das folgende Beispiel bezieht sich auf die Klassifizierung mehrerer Klassen:

      b'Iris-setosa,1.0,"[1.0, 0.0, 0.0]","[\'Iris-setosa\', \'Iris-versicolor\', \'Iris-virginica\']"\nIris-setosa,1.0,"[1.0, 0.0, 0.0]","[\'Iris-setosa\', \'Iris-versicolor\', \'Iris-virginica\']"\nIris-setosa,1.0,"[1.0, 0.0, 0.0]","[\'Iris-setosa\', \'Iris-versicolor\', \'Iris-virginica\']"\nIris-setosa,1.0,"[1.0, 0.0, 0.0]","[\'Iris-setosa\', \'Iris-versicolor\', \'Iris-virginica\']"\n'

    APPLICATION/JSON

    • Regression: Die Antwort auf die Modellinferenz sollte eine JSON Zeichenfolge sein, die den prediction Schlüssel enthält, und ihr Wert sollte die Liste der Ausgabevorhersagen sein:

      let response = {
    "predictions": [ 
        // First instance prediction. 
        1.75 
        // Second instance prediction.
        3.25 
    ]
}

    • Klassifizierung: Die Inferenzantwort des Modells sollte eine JSON Zeichenfolge sein, die den probabilities Schlüssel enthält, und ihr Wert sollte der Liste der Wahrscheinlichkeiten entsprechen.

      Das folgende Beispiel bezieht sich auf eine binäre Klassifikation:

      let response = {
    "probabilities": [ 
        // First instance prediction. 
        [0.9, 0.1]
        // Second instance prediction.
        [0.2, 0.8]
    ]
}

      Das folgende Beispiel bezieht sich auf die Klassifizierung mehrerer Klassen:

      let response = {
    "probabilities": [ 
        // First instance prediction. 
        [0.7, 0.2, 0.1]
        // Second instance prediction.
        [0.2, 0.5, 0.3]
    ]
}

Je nach Art des Modells, das Sie mitbringen möchten, gelten auch Einschränkungen:

Bringen Sie Ihr eigenes Modell von JumpStart

Beachten Sie die folgenden Informationen und Einschränkungen, wenn Sie ein JumpStart Modell mit Canvas teilen.

  • Im Folgenden sind die unterstützten Algorithmen aufgeführt, für die Sie Modelle in Canvas importieren können. Weitere Einzelheiten dazu finden Sie in der JumpStart -Dokumentation.

    • Tabellarische Klassifizierung: LightGBM,, CatBoost, AutoGluon -TabularXGBoost, TabTransformer Linear Learner

    • Tabellarische Regression: LeichtGBM,,, -Tabellarisch CatBoost, XGBoost Linear Learner AutoGluon TabTransformer

  • In ist die Schaltfläche Teilen nur aktiviert JumpStart, wenn das Modell für die gemeinsame Nutzung auf Canvas bereit ist. Wenn Ihr trainiertes Modell nicht über die Schaltfläche „Auf SageMaker Leinwand teilen“ verfügt, wird Ihr Modell nicht unterstütztBYOM.

  • Beim Trainieren des JumpStart Modells müssen Sie Trainings- und Validierungsdatensätze bereitstellen. Die Datensätze sollten in Amazon S3 gespeichert werden, und die Ausführungsrolle Ihrer Studio Classic- und Canvas-Benutzer muss Zugriff auf den Amazon S3 S3-Standort haben. Sie können dasselbe Amazon S3 verwendenURIs, um die Trainings- und Validierungsdatensätze mit Canvas zu teilen, oder Sie können verschiedene Datensätze mit demselben Datenschema teilen.

    Ihre Schulungs- oder Validierungsdatendatei sollte wie folgt aussehen (im CSV Format). Sie sollten Ihre Dateien mit der ersten Spalte als Ziel indizieren.

    3	1	22	1	1	0	4	4
0	0	38	0	0	1	3	4
1	0	67	0	1	0	1	6
1	0	67	0	0	2	2	6
0	0	40	0	0	2	6	6
2	0	56	1	0	1	2	6

  • Standardmäßig wird beim Trainieren eines Modells die erste Spalte der Trainings- und Validierungsdatensätze als Ziel JumpStart verwendet. Die Zielspalte (oder standardmäßig die erste Spalte) der Datensätze wird in Canvas gemeinsam genutzt.

  • Beim Trainieren des Modells müssen Sie die Spaltenüberschriften der Trainings- und Validierungsdatensätze angeben. JumpStart Standardmäßig werden JumpStart nur Datensätze ohne Spaltenüberschriften akzeptiert, sodass Sie die Spaltenüberschriften beim Trainieren Ihres Modells als Datei hinzufügen müssen. Die Amazon S3 S3-Datei URI für die Spaltenüberschriften wird auch für Canvas freigegeben. Ihre Datei mit den Spaltenüberschriften sollte wie das folgende Beispiel aussehen (im CSV Format). Die erste Spalte sollte das Ziel sein.

    Segmentation	EverMarried	Age	Graduated	WorkExperience	SpendingScore	FamilySize	Var1

  • Der Trainingsjob JumpStart muss abgeschlossen sein, Complete bevor Sie ihn mit Canvas teilen können.

  • Bei Klassifizierungsproblemen (oder kategorialen Vorhersagen in Canvas) müssen bei der Weitergabe auf Canvas die ursprünglichen Klassennamen im Abschnitt Modellausgabe konfigurieren angegeben werden. Die Reihenfolge der Klassennamen muss mit der im Modell verwendeten Indexierung übereinstimmen. Ihre Mapping-Relationsdatei sollte im CSV Format wie das folgende Beispiel aussehen, wobei Index 0 (der erste Index) dem Klassennamen A zugeordnet ist:

    A	B	C	D

    Wenn der Canvas-Benutzer die Modellmetriken in der Canvas-Anwendung anzeigt, kann er nur den Index jeder Klasse (0, 1, 2) sehen. Der Benutzer kann jedoch die Klassennamen sehen, wenn er sich die Ergebnisse für eine einzelne Vorhersage ansieht.

Bring Your Own Model aus Autopilot

Beachten Sie die folgenden Informationen und Einschränkungen, wenn Sie ein Modell vom Autopilot auf Canvas teilen.

  • Sie können nur Modelle für Canvas freigeben, die Sie erfolgreich anhand eines AutoML-Jobs im Modus Ensembling oder Auto trainiert haben (für den automatischen Modus wählt Autopilot basierend auf der Größe des Trainingsdatensatzes Ensembling oder HPOModus). HPO Die derzeit unterstützten Autopilot-Problemtypen sind Regression, Multiklassenklassifizierung und Binärklassifizierung.

  • Für jeden Autopilot-Job können Sie ein beliebiges Modell (das beste Modell oder andere Kandidaten) auswählen, das Sie nacheinander auf Canvas teilen möchten. Sie müssen nur die Schaltfläche Modell teilen auswählen und dann die Canvas-Benutzer angeben, mit denen Sie das Modell und eine Notiz teilen möchten.

  • AutoGluon-Tabellarische Modelle, die Data Wrangler-Transformatoren zur Inferenz verwenden, können nicht in Canvas gemeinsam genutzt werden. Dies liegt daran, dass Data Wrangler-Transformatoren dazu führen, dass das Modell mehr als einen Container verwendet.

  • HPOModelle, die nicht mit SageMaker Neo kompatibel sind, können nicht erfolgreich für Canvas freigegeben werden. Kompatible Modelle sind Autopilot-Modelle, die unsere Algorithmen verwendenXGBoost. MLP Zu den inkompatiblen Modellen gehören Autopilot-Modelle, die den linearen Lernalgorithmus verwenden.

Bring Your Own Model (BYOM) von Modellregister

Beachten Sie die folgenden Informationen und Einschränkungen, wenn Sie ein Modell aus Model Registry auf Canvas teilen.

  • Im Gegensatz zur Schaltfläche „Teilen“ von JumpStart bietet Model Registry keine Modellvalidierung. Daher ist es möglich, dass ein registriertes Modell, das erfolgreich von Studio Classic freigegeben wurde, beim Import nach Canvas aufgrund von Modellinkompatibilität fehlschlägt. Lesen Sie sich die folgenden Tipps durch, bevor Sie Inhalte aus Model Registry auf Canvas teilen:

    • Verwenden Sie einen einzigen Inferenzcontainer für Ihr Modell. Sie können Modelle mit mehreren Containern innerhalb des AdditionalInferenceSpecificationsFelds registrieren, aber Canvas ist nur für einen Inferenzcontainer pro Modell optimiert. Wenn Sie beispielsweise eine Inferenzpipeline verwenden und mehrere Container im AdditionalInferenceSpecifications Feld mit mehreren Datenvorverarbeitungscontainern und einem Inferenzcontainer registrieren, wird standardmäßig der erste Container für die Modellinferenz in Canvas ausgewählt. Prüfen Sie, ob dies für Ihren Anwendungsfall funktioniert, wenn Sie Pipelines für Machine Learning verwenden.

    • Verwenden Sie einen SageMaker integrierten tabellarischen Algorithmus mit kompatiblen Inferenzformaten. Getestete Beispielalgorithmen mit kompatiblen Inferenzausgaben sind Autogluon-Tabular, Light und. CatBoost GBM TabTransformer XGBoost Algorithmen wie Factorization Machines akzeptieren keine Eingabe CSV als Datei, und die Inferenzausgabeformate für Algorithmen wie Linear Learner und K-NN werden von Canvas nicht unterstützt.

    • Sie können auch Ihren eigenen Bildcontainer mitbringen und auf Canvas teilen oder vorgefertigte Container ändern. SageMaker

  • Denken Sie bei der Registrierung Ihres Modells in einer Modellpaketgruppe daran, Ihrem Inferenzcontainer die folgenden Attribute beizufügen:

    • Umgebung:

      "{\"SAGEMAKER_CONTAINER_LOG_LEVEL\": \"20\", \"SAGEMAKER_PROGRAM\": \"inference.py\", \"SAGEMAKER_REGION\": \"us-west-2\", \"SAGEMAKER_SUBMIT_DIRECTORY\": \"/opt/ml/model/code\"}"

    • Abbild:

      "s3://sagemaker-us-west-2-<account-id>/model-regression-abalone-2022-10-14-23-02-45/model.tar.gz"

    • ModelDataUrl

      "<account-id>.dkr.ecr.us-west-2.amazonaws.com/sagemaker-xgboost:1.3-1"

  • Sie müssen Trainings- und Validierungsdatensätze bereitstellen, wenn Sie das Modell von Model Registry auf Canvas teilen. Die Datensätze sollten in Amazon S3 gespeichert werden, und die Ausführungsrolle der Benutzer Studio Classic und Canvas muss Zugriff auf den Amazon S3 S3-Standort haben. Sie können dasselbe Amazon S3 verwendenURIs, um die Trainings- und Validierungsdatensätze mit Canvas zu teilen, oder Sie können verschiedene Datensätze mit demselben Datenschema teilen. Die Datensätze müssen genau die Eingabeformatierung haben, die den Inferenzcontainer Ihres Modells speist.

  • Sie müssen die Zielspalte für Canvas bereitstellen, oder die erste Spalte Ihres Trainings- und Validierungsdatensatzes wird standardmäßig verwendet.

  • Im Abschnitt Modelldetails hinzufügen beim Teilen auf Canvas können Sie in der ersten Zeile Ihre Trainings- und Validierungsdatensätze als Kopfzeilen angeben, oder Sie können die Header als eine andere Datei angeben.

  • Bei Klassifizierungsproblemen (oder kategorialen Vorhersagen in Canvas) müssen bei der Weitergabe an SageMaker Canvas über die Option Modellausgaben konfigurieren die ursprünglichen Klassennamen angegeben werden. Die Reihenfolge der Klassennamen muss mit der Indexierung übereinstimmen, die für das gemeinsam genutzte Modell verwendet wurde. Die Zuordnung kann entweder eine CSV Datei in Amazon S3 sein, oder Sie können die Klassennamen manuell eingeben.