View a markdown version of this page

Zugreifen auf Docker-Images für Scikit-learn und Spark ML - Amazon SageMaker KI
Zugreifen auf ein Image über das SageMaker AI Python SDKManuelles Angeben der vordefinierten Images

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.

Zugreifen auf Docker-Images für Scikit-learn und Spark ML

SageMaker AI bietet vorgefertigte Docker-Images, mit denen die Scikit-Learn- und Spark ML-Bibliotheken installiert werden. Diese Bibliotheken enthalten auch die Abhängigkeiten, die zum Erstellen von Docker-Images erforderlich sind, die mithilfe des Amazon Python SDK mit SageMaker KI kompatibel sind. SageMaker Mit dem SDK können Sie Scikit-learn für Machine-Learning-Aufgaben und Spark ML zum Erstellen und Optimieren von Machine-Learning-Pipelines verwenden. Weitere Informationen zur Installation und Verwendung des SDK finden Sie unter SageMaker Python SDK.

Sie können auch von einem Amazon-ECR-Repository in Ihrer eigenen Umgebung aus auf die Images zugreifen.

Verwenden Sie die folgenden Befehle, um herauszufinden, welche Versionen der Images verfügbar sind. Verwenden Sie beispielsweise Folgendes, um das verfügbare sagemaker-sparkml-serving-Image in der Region ca-central-1 zu finden:

aws \
    ecr describe-images \
    --region ca-central-1 \
    --registry-id 341280168497 \
    --repository-name sagemaker-sparkml-serving

Zugreifen auf ein Image über das SageMaker AI Python SDK

Die folgende Tabelle enthält Links zu den GitHub Repositorys mit dem Quellcode für die Scikit-Learn- und Spark-ML-Container. Die Tabelle enthält auch Links zu Anweisungen, die zeigen, wie Sie diese Container mit dem Python-SDK verwenden, ModelTrainers um Ihre eigenen Trainingsalgorithmen auszuführen und Ihre eigenen Modelle zu hosten.

Bibliothek Quellcode des vorkonfigurierten Docker-Images Anleitungen
Scikit-learn

SageMaker Scikit-learn KI-Container

Verwendung Scikit-learn mit dem Amazon SageMaker Python SDK

Spark ML

SageMaker AI Spark ML Serving Container

SparkML-Python-SDK-Dokumentation

Weitere Informationen und Links zu Github-Repositorys finden Sie unter Ressourcen zur Verwendung Scikit-learn mit Amazon SageMaker AI und Ressourcen für die Verwendung von SparkML Serving mit Amazon AI SageMaker.

Manuelles Angeben der vordefinierten Images

Wenn Sie das SageMaker Python-SDK und eines davon nicht ModelTrainers zur Verwaltung des Containers verwenden, müssen Sie den entsprechenden vorgefertigten Container manuell abrufen. Die SageMaker vorgefertigten AI-Docker-Images werden in Amazon Elastic Container Registry (Amazon ECR) gespeichert. Sie können sie mithilfe ihrer vollständigen Registrierungsadressen per Push oder Pull übertragen. SageMaker AI verwendet die folgenden Docker-Image-URL-Muster für Scikit-Learn und Spark ML:

  • <ACCOUNT_ID>.dkr.ecr.<REGION_NAME>.amazonaws.com/sagemaker-scikit-learn:<SCIKIT-LEARN_VERSION>-cpu-py<PYTHON_VERSION>

    Beispiel: 746614075791.dkr.ecr.us-west-1.amazonaws.com/sagemaker-scikit-learn:1.2-1-cpu-py3

  • <ACCOUNT_ID>.dkr.ecr.<REGION_NAME>.amazonaws.com/sagemaker-sparkml-serving:<SPARK-ML_VERSION>

    Beispiel: 341280168497.dkr.ecr.ca-central-1.amazonaws.com/sagemaker-sparkml-serving:2.4

Konto-IDs und AWS Regionsnamen finden Sie unter Docker-Registrierungspfade und Beispielcode.