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.
MXNet Framework-Prozessor
Apache MXNet ist ein Open-Source-Deep-Learning-Framework, das häufig für das Training und den Einsatz neuronaler Netzwerke verwendet wird. Das MXNetProcessor
im Amazon SageMaker Python SDK bietet Ihnen die Möglichkeit, Verarbeitungsaufträge mit MXNet-Skripten auszuführen. Wenn Sie den MXNetProcessor
verwenden, können Sie einen von Amazon erstellten Docker-Container mit einer verwalteten MXNet-Umgebung nutzen, sodass Sie keinen eigenen Container mitbringen müssen.
Das folgende Codebeispiel zeigt, wie Sie die verwenden könnenMXNetProcessor
, um Ihren Verarbeitungsauftrag mit einem von bereitgestellten und verwalteten Docker-Image auszuführen SageMaker. Beachten Sie, dass Sie beim Ausführen des Auftrags ein Verzeichnis angeben können, das Ihre Skripts und Abhängigkeiten im source_dir
-Argument enthält, und dass sich eine requirements.txt
Datei in Ihrem source_dir
Verzeichnis befinden kann, die die Abhängigkeiten für Ihr/Ihre Verarbeitungsskript(e) angibt. SageMaker Bei der Verarbeitung werden die Abhängigkeiten in requirements.txt
im Container für Sie installiert.
from sagemaker.mxnet import MXNetProcessor from sagemaker.processing import ProcessingInput, ProcessingOutput from sagemaker import get_execution_role #Initialize the MXNetProcessor mxp = MXNetProcessor( framework_version='1.8.0', py_version='py37', role=get_execution_role(), instance_count=1, instance_type='ml.c5.xlarge', base_job_name='frameworkprocessor-mxnet' ) #Run the processing job mxp.run( code='
processing-script.py
', source_dir='scripts
', inputs=[ ProcessingInput( input_name='data', source=f's3://{BUCKET}/{S3_INPUT_PATH}
', destination='/opt/ml/processing/input/data/' ) ], outputs=[ ProcessingOutput( output_name='processed_data', source='/opt/ml/processing/output/', destination=f's3://{BUCKET}/{S3_OUTPUT_PATH}
' ) ] )
Wenn Sie eine requirements.txt
Datei haben, sollte es sich um eine Liste von Bibliotheken handeln, die Sie im Container installieren möchten. Der Pfad für source_dir
kann ein relativer, absoluter oder Amazon >SS3-URI-Pfad sein. Wenn Sie jedoch einen Amazon S3-URI verwenden, muss dieser auf eine Datei tar.gz verweisen. Sie können mehrere Skripte in dem Verzeichnis haben, das Sie für source_dir
angeben. Weitere Informationen zur MXNetProcessor
Klasse finden Sie unter MXNet Estimator