Zugreifen auf Docker-Images für Scikit-Learn und Spark ML - Amazon SageMaker
Zugreifen auf ein Bild aus SageMaker Python SDK Manuelles 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 bietet vorgefertigte Docker-Images, die die Scikit-Learn- und Spark ML-Bibliotheken installieren. Diese Bibliotheken enthalten auch die Abhängigkeiten, die zum Erstellen von Docker-Images erforderlich sind, die mit der SageMaker Verwendung von Amazon SageMaker Python SDK kompatibel sind. Mit dem SDK können Sie Scikit-Learn für Aufgaben des maschinellen Lernens und Spark ML verwenden, um Pipelines für maschinelles Lernen zu erstellen und zu optimieren. Anweisungen zur Installation und Verwendung von finden Sie unter SageMaker Python SDK. SDK

Sie können auch auf die Bilder aus einem ECR Amazon-Repository in Ihrer eigenen Umgebung 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 Bild aus SageMaker 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 SDK Python-Schätzern verwenden, um Ihre eigenen Trainingsalgorhythmen auszuführen und Ihre eigenen Modelle zu hosten.

Bibliothek Quellcode des vorkonfigurierten Docker-Images Anweisungen
Scikit-learn

SageMaker Scikit-learn-Container

Scikit-learn mit Amazon Python verwenden SageMaker SDK
Spark ML

SageMaker Spark ML Servierbehälter

SparkML Python-Dokumentation SDK

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

Manuelles Angeben der vordefinierten Images

Wenn Sie SageMaker Python SDK und einen seiner Schätzer nicht zur Verwaltung des Containers verwenden, müssen Sie den entsprechenden vorgefertigten Container manuell abrufen. Die SageMaker vorgefertigten Docker-Images werden in Amazon Elastic Container Registry (AmazonECR) gespeichert. Sie können sie unter Verwendung ihrer vollständigen Registrierungsadressen per Push oder Pull übertragen. SageMaker verwendet die folgenden URL Docker-Image-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

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