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.
DGL ist als Deep-Learning-Container in Amazon ECR verfügbar. Sie können Deep-Learning-Container auswählen, wenn Sie Ihre Schätzfunktion in ein SageMaker Amazon-Notizbuch schreiben. Sie können mit DGL auch Ihren eigenen benutzerdefinierten Container erstellen, indem Sie dem Leitfaden Bring Your Own Container folgen. Der einfachste Weg, mit einem Deep-Graph-Netzwerk zu beginnen, verwendet einen der DGL-Container in Amazon Elastic Container Registry.
Anmerkung
Die Unterstützung des Backend-Frameworks ist auf und beschränkt PyTorch . MXNet
Aufstellen
Wenn Sie Amazon SageMaker Studio verwenden, müssen Sie zuerst das Beispiel-Repository klonen. Wenn Sie eine Notebook-Instance verwenden, finden Sie die Beispiele, indem Sie das SageMaker AI-Symbol unten in der linken Werkzeugleiste auswählen.
Um das Amazon SageMaker SDK- und Notebook-Beispiel-Repository zu klonen
-
Gehen JupyterLabSie in der Ansicht in Amazon SageMaker AI zum Dateibrowser oben in der linken Werkzeugleiste. Im Datei-Browser-Bereich können Sie eine neue Navigation oben im Bereich sehen.
-
Wählen Sie das Symbol ganz rechts, um ein Git-Repository zu klonen.
-
Fügen Sie die Repository-URL hinzu: https://github.com/awslabs/amazon-sagemaker-examples.git
-
Durchsuchen Sie den neu hinzugefügten Ordner und dessen Inhalt. Die DGL-Beispiele werden im Ordner gespeichert. sagemaker-python-sdk
Zug
Nachdem Sie es eingerichtet haben, können Sie das Deep-Graph-Netzwerk trainieren.
