Führen Sie Ihren lokalen Code als SageMaker Trainingsjob aus

Sie können Ihren lokalen Python-Code für maschinelles Lernen (ML) als großen SageMaker Amazon-Schulungsjob mit einem Knoten oder als mehrere parallel Jobs ausführen. Dies können Sie tun, indem Sie Ihren Code mit einem @remote Decorator kommentieren, wie im folgenden Beispielcode gezeigt. Verteiltes Training (über mehrere Instances) wird mit Remote-Funktionen nicht unterstützt.


@remote(**settings)
def divide(x, y):
    return x / y

Das SageMaker Python-SDK übersetzt Ihre bestehende Workspace-Umgebung und alle zugehörigen Datenverarbeitungscodes und Datensätze automatisch in einen SageMaker Trainingsjob, der auf der SageMaker Trainingsplattform ausgeführt wird. Sie können auch ein persistentes Cache-Feature aktivieren, das die Latenz beim Auftragsbeginn weiter reduziert, indem zuvor heruntergeladene Abhängigkeitspakete zwischengespeichert werden. Diese Verringerung der Job-Latenz ist größer als die Verringerung der Latenz, die allein durch die Verwendung von SageMaker KI-verwalteten Warmpools erzielt wird. Weitere Informationen finden Sie unter Persistenter Cache verwenden.

Anmerkung

Verteilte Trainingsaufträge werden nicht durch Remote-Funktionen unterstützt.

In den folgenden Abschnitten wird gezeigt, wie Sie Ihren lokalen ML-Code mit einem @remote Decorator kommentieren und Ihre Benutzererfahrung an Ihren Anwendungsfall anpassen können. Dazu gehören die Anpassung Ihrer Umgebung und die Integration mit SageMaker Experiments.

Themen

So richten Sie Ihre Umgebung ein

Wählen Sie eine der folgenden drei Optionen aus, um Ihre Umgebung einzurichten.

Sie können Ihren lokalen ML-Code in SageMaker Studio Classic kommentieren und ausführen, indem Sie ein SageMaker Notizbuch erstellen und jedes Bild anhängen, das auf dem SageMaker Studio Classic-Image verfügbar ist. Die folgenden Anweisungen helfen Ihnen, ein SageMaker Notebook zu erstellen, das SageMaker Python-SDK zu installieren und Ihren Code mit dem Decorator zu kommentieren.

Erstellen Sie ein SageMaker Notizbuch und hängen Sie ein Bild in SageMaker Studio Classic wie folgt an:
1. Folgen Sie den Anweisungen unter Amazon SageMaker Studio Classic starten im Amazon SageMaker AI Developer Guide.
2. Wählen Sie im linken Navigationsbereich Studio aus. Es wird nun ein neues Fenster geöffnet.
3. Wählen Sie im Dialogfeld Erste Schritte aus und wählen Sie mit dem Abwärtspfeil ein Benutzerprofil aus. Dies öffnet ein neues Fenster.
4. Wählen Sie Open Studio Classic aus.
5. Wählen Sie im Hauptarbeitsbereich die Option Launcher öffnen aus. Es wird nun eine neue Seite geöffnet.
6. Wählen Sie im Hauptarbeitsbereich die Option Notebook erstellen aus.
7. Wählen Sie im Dialogfeld Umgebung ändern mit dem Abwärtspfeil neben Image die Option Base Python 3.0 aus.
  
  Der @remote Decorator erkennt automatisch das an das SageMaker Studio Classic-Notizbuch angehängte Bild und verwendet es, um den SageMaker Trainingsjob auszuführen. Wenn image_uri entweder als Argument im Decorator oder in der Konfigurationsdatei angegeben wird, wird der in image_uri angegebene Wert anstelle des erkannten Image verwendet.
  
  Weitere Informationen zum Erstellen eines Notizbuchs in SageMaker Studio Classic finden Sie im Abschnitt Ein Notizbuch über das Dateimenü erstellen unter Amazon SageMaker Studio Classic-Notizbuch erstellen oder öffnen.
  
  Eine Liste der verfügbaren Images finden Sie unter Unterstützte Docker-Images.
Installieren Sie das SageMaker Python-SDK.

Um Ihren Code mit der @remote -Funktion in einem SageMaker Studio Classic Notebook zu annotieren, muss das SageMaker Python-SDK installiert sein. Installieren Sie das SageMaker Python-SDK, wie im folgenden Codebeispiel gezeigt.
```
!pip install sagemaker
```
Verwenden Sie @remote decorator, um Funktionen in einem SageMaker Trainingsjob auszuführen.

Um Ihren lokalen ML-Code auszuführen, erstellen Sie zunächst eine Abhängigkeitsdatei, um SageMaker AI mitzuteilen, wo sich Ihr lokaler Code befinden soll. Führen Sie dazu die folgenden Schritte aus:
1. Wählen Sie im Hauptarbeitsbereich von SageMaker Studio Classic Launcher unter Dienstprogramme und Dateien die Option Textdatei aus. Es wird dann ein neuer Tab mit einer Textdatei namens untitled.txt. geöffnet
  
  Weitere Informationen zur Benutzeroberfläche (UI) von SageMaker Studio Classic finden Sie unter Amazon SageMaker Studio Classic UI Overview.
2. Benennen Sie untitled.txt um in requirements.txt.
3. Fügen Sie alle für den Code erforderlichen Abhängigkeiten zusammen mit der SageMaker AI-Bibliothek hinzurequirements.txt.
  
  Ein Beispiel für den minimalen Code requirements.txt für die Beispielfunktion divide finden Sie im folgenden Abschnitt.
```
sagemaker
```
4. Führen Sie Ihren Code mit dem Remote Decorator aus, indem Sie die Datei mit den Abhängigkeiten übergeben, wie folgt.
```
from sagemaker.remote_function import remote

@remote(instance_type="ml.m5.xlarge", dependencies='./requirements.txt')
def divide(x, y):
    return x / y

divide(2, 3.0)
```
  Weitere Beispielcodes finden Sie im Beispiel-Notebook quick_start.ipynb.
  
  Wenn Sie bereits ein SageMaker Studio Classic-Notebook ausführen und das Python-SDK wie in 2 beschrieben installieren. Installieren Sie das SageMaker Python-SDK, Sie müssen Ihren Kernel neu starten. Weitere Informationen finden Sie unter Verwenden der SageMaker Studio Classic Notebook Toolbar im Amazon SageMaker AI Developer Guide.

Sie können Ihren lokalen ML-Code von einer SageMaker Notebook-Instance aus kommentieren. Die folgenden Anweisungen zeigen, wie Sie eine Notebook-Instanz mit einem benutzerdefinierten Kernel erstellen, das SageMaker Python-SDK installieren und Ihren Code mit dem Decorator annotieren.

Erstellen Sie eine Notebook-Instance mit einem benutzerdefinierten conda Kernel.

Sie können Ihren lokalen ML-Code mit einem @remote -Decorator annotieren, um ihn innerhalb eines Trainingsjobs zu verwenden. SageMaker Zunächst müssen Sie eine SageMaker Notebook-Instanz erstellen und anpassen, um einen Kernel mit Python-Version 3.7 oder höher, bis zu 3.10.x, zu verwenden. Führen Sie dazu die folgenden Schritte aus:
1. Öffnen Sie die SageMaker AI-Konsole unter. https://console.aws.amazon.com/sagemaker/
2. Wählen Sie im linken Navigationsbereich Notebook aus, um die dazugehörigen Optionen zu erweitern.
3. Wählen Sie aus den erweiterten Optionen Notebook-Instances aus.
4. Wählen Sie die Schaltfläche Notebook-Instance erstellen aus. Es wird nun eine neue Seite geöffnet.
5. Geben Sie unter Name deer Notebook-Instance einen Namen mit maximal 63 Zeichen ohne Leerzeichen ein. Gültige Zeichen: A–Z, a–z, 0–9 und .:+=@ _%- (Bindestrich).
6. Erweitern Sie im Dialogfeld mit den Einstellungen für Notebook-Instances den Pfeil nach rechts neben Zusätzliche Konfiguration.
7. Erweitern Sie unter Lebenszykluskonfiguration – optional den Abwärtspfeil und wählen Sie Neue Lebenszykluskonfiguration erstellen aus. Es öffnet sich ein neues Dialogfeld.
8. Geben Sie unter Name einen Namen für Ihre Konfigurationseinstellung ein.
9. Ersetzen Sie im Dialogfeld Skripte auf der Registerkarte Notebook starten den vorhandenen Inhalt des Textfeldes durch das folgende Skript.
```
#!/bin/bash

set -e

sudo -u ec2-user -i <<'EOF'
unset SUDO_UID
WORKING_DIR=/home/ec2-user/SageMaker/custom-miniconda/
source "$WORKING_DIR/miniconda/bin/activate"
for env in $WORKING_DIR/miniconda/envs/*; do
    BASENAME=$(basename "$env")
    source activate "$BASENAME"
    python -m ipykernel install --user --name "$BASENAME" --display-name "Custom ($BASENAME)"
done
EOF

echo "Restarting the Jupyter server.."
# restart command is dependent on current running Amazon Linux and JupyterLab
CURR_VERSION_AL=$(cat /etc/system-release)
CURR_VERSION_JS=$(jupyter --version)

if [[ $CURR_VERSION_JS == *$"jupyter_core     : 4.9.1"* ]] && [[ $CURR_VERSION_AL == *$" release 2018"* ]]; then
 sudo initctl restart jupyter-server --no-wait
else
 sudo systemctl --no-block restart jupyter-server.service
fi
```
10. Ersetzen Sie im Dialogfeld Skripte auf der Registerkarte Notebook erstellen den vorhandenen Inhalt des Textfeldes durch das folgende Skript.
```
#!/bin/bash

set -e

sudo -u ec2-user -i <<'EOF'
unset SUDO_UID
# Install a separate conda installation via Miniconda
WORKING_DIR=/home/ec2-user/SageMaker/custom-miniconda
mkdir -p "$WORKING_DIR"
wget https://repo.anaconda.com/miniconda/Miniconda3-4.6.14-Linux-x86_64.sh -O "$WORKING_DIR/miniconda.sh"
bash "$WORKING_DIR/miniconda.sh" -b -u -p "$WORKING_DIR/miniconda" 
rm -rf "$WORKING_DIR/miniconda.sh"
# Create a custom conda environment
source "$WORKING_DIR/miniconda/bin/activate"
KERNEL_NAME="custom_python310"
PYTHON="3.10"
conda create --yes --name "$KERNEL_NAME" python="$PYTHON" pip
conda activate "$KERNEL_NAME"
pip install --quiet ipykernel
# Customize these lines as necessary to install the required packages
EOF
```
11. Wählen Sie unten rechts im Fenster die Schaltfläche Konfiguration erstellen aus.
12. Wählen Sie unten rechts im Fenster die Schaltfläche Notebook-Instance erstellen aus.
13. Warten Sie, bis sich der Status der Notebook-Instanz von Ausstehend auf ändert InService.
Erstellen Sie in der Notebook-Instance ein Jupyter Notebook.

Die folgenden Anweisungen zeigen, wie Sie ein Jupyter-Notebook mit Python 3.10 in Ihrer neu erstellten Instanz erstellen. SageMaker
1. Gehen Sie wie folgt vor, nachdem der Status der Notebook-Instanz aus dem vorherigen Schritt lautet InService:
  1. Wählen Sie in der Zeile, die den Namen Ihrer neu erstellten Notebook-Instance enthält, unter Aktionen die Option Jupyter öffnen aus. Es öffnet sich ein neuer Jupyter-Server.
2. Wählen Sie im Jupyter-Server im Menü oben rechts die Option Neu aus.
3. Wählen Sie mit dem Abwärtspfeil conda_custom_python310 aus. Es wird nun ein neues Jupyter Notebook erstellt, das einen Python 3.10-Kernel verwendet. Dieses neue Jupyter Notebook kann jetzt ähnlich wie ein lokales Jupyter Notebook verwendet werden.
Installieren Sie das SageMaker Python-SDK.

Nachdem Ihre virtuelle Umgebung ausgeführt wurde, installieren Sie das SageMaker Python-SDK mithilfe des folgenden Codebeispiels.
```
!pip install sagemaker
```
Verwenden Sie einen @remote -Decorator, um Funktionen in einem SageMaker Trainingsjob auszuführen.

Wenn Sie Ihren lokalen ML-Code mit einem @remote -Decorator im SageMaker Notizbuch annotieren, interpretiert das SageMaker Training automatisch die Funktion Ihres Codes und führt ihn als SageMaker Trainingsjob aus. Gehen Sie wie folgt vor, um Ihr Notebook einzurichten:
1. Wählen Sie den Kernelnamen im Notebook-Menü aus der SageMaker Notebook-Instanz aus, die Sie in Schritt 1, Eine SageMaker Notebook-Instanz mit einem benutzerdefinierten Kernel erstellen, erstellt haben.
  
  Weitere Informationen finden Sie unter Ein Image oder einen Kernel ändern.
2. Wählen Sie mit dem Abwärtspfeil einen benutzerdefinierten conda Kernel aus, der Python in der Version 3.7 oder höher verwendet.
  
  Wenn Sie z. B. conda_custom_python310 auswählen, wird der Kernel für Python 3.10 ausgewählt.
3. Wählen Sie Select (Auswählen).
4. Warten Sie, bis der Status des Kernels als inaktiv angezeigt wird. Dies weist darauf hin, dass der Kernel gestartet wurde.
5. Wählen Sie auf der Startseite des Jupyter-Servers im Menü oben rechts die Option Neu aus.
6. Wählen Sie neben dem Abwärtspfeil die Option Textdatei aus. Jetzt wird eine neue Textdatei mit dem Namen untitled.txt. erstellt
7. Benennen Sie untitled.txt in requirements.txt um und fügen Sie alle für den Code erforderlichen Abhängigkeiten hinzu, zusammen mit sagemaker.
8. Führen Sie Ihren Code mit dem Remote-Decorator aus, indem Sie die Datei mit den Abhängigkeiten wie unten gezeigt übergeben.
```
from sagemaker.remote_function import remote

@remote(instance_type="ml.m5.xlarge", dependencies='./requirements.txt')
def divide(x, y):
    return x / y

divide(2, 3.0)
```
  Weiteren Beispielcode finden Sie im Beispiel-Notebook quick_start.ipnyb.

Sie können Ihren lokalen ML-Code mit einem @remote Decorator in Ihrer bevorzugten lokalen IDE kommentieren. Die folgenden Schritte zeigen die notwendigen Voraussetzungen, wie Sie das Python-SDK installieren und wie Sie Ihren Code mit dem @remote Decorator kommentieren können.

Installieren Sie die Voraussetzungen, indem Sie AWS Command Line Interface (AWS CLI) einrichten und wie folgt eine Rolle erstellen:
- Nehmen Sie an einer SageMaker AI-Domain teil, indem Sie den Anweisungen im Abschnitt AWS CLI Voraussetzungen unter Amazon SageMaker AI-Voraussetzungen einrichten folgen.
- Erstellen Sie eine IAM-Rolle, indem Sie den Anweisungen im Abschnitt Ausführungsrolle erstellen von SageMaker AI-Rollen folgen.
Erstellen Sie eine virtuelle Umgebung, indem Sie entweder PyCharm oder verwenden conda und Python Version 3.7 oder höher, bis zu 3.10.x, verwenden.
- Richten Sie eine virtuelle Umgebung PyCharm wie folgt ein:
  1. Wählen Sie im Hauptmenü Datei aus.
  2. Wählen Sie New Project (Neues Projekt) aus.
  3. Wählen Sie mit dem Abwärtspfeil unter Neue Umgebung verwenden die Option Conda aus.
  4. Verwenden Sie im Feld für die Python-Version den Abwärtspfeil, um eine Version von Python auszuwählen, die 3.7 oder höher ist. Sie können auf der Liste bis 3.10.x gehen.
- Wenn Sie Anaconda installiert haben, können Sie mit Hilfe von conda wie folgt eine virtuelle Umgebung einrichten:
  - Öffnen Sie eine Anaconda-Terminalschnittstelle mit Eingabeaufforderung.
  - Erstellen und aktivieren Sie eine neue conda Umgebung mit Python in der Version 3.7 oder höher, bis 3.10x. Der folgende Beispielcode veranschaulicht, wie eine conda Umgebung mit Python Version 3.10 erstellt wird.
    
    conda create -n sagemaker_jobs_quick_start python=3.10 pip conda activate sagemaker_jobs_quick_start
Installieren Sie das SageMaker Python-SDK.

Um Ihren Code aus Ihrer bevorzugten IDE zu packen, müssen Sie eine virtuelle Umgebung mit Python 3.7 oder höher, bis 3.10x, eingerichtet haben. Sie benötigen außerdem ein kompatibles Container-Image. Installieren Sie das SageMaker Python-SDK mithilfe des folgenden Codebeispiels.
```
pip install sagemaker
```
Fügen Sie Ihren Code in den @remote Decorator ein. Das SageMaker Python-SDK interpretiert die Funktion Ihres Codes automatisch und führt ihn als SageMaker Trainingsjob aus. Die folgenden Codebeispiele zeigen, wie Sie die erforderlichen Bibliotheken importieren, eine SageMaker Sitzung einrichten und eine Funktion mit dem @remote -Dekorator annotieren.

Sie können Ihren Code ausführen, indem Sie entweder die benötigten Abhängigkeiten direkt bereitstellen oder Abhängigkeiten aus der aktiven condaUmgebung verwenden.
- Gehen Sie wie folgt vor, um die Abhängigkeiten direkt bereitzustellen:
  - Erstellen Sie in dem Arbeitsverzeichnis, in dem sich der Code befindet, eine requirements.txt Datei.
  - Fügen Sie alle für den Code erforderlichen Abhängigkeiten zusammen mit der SageMaker Bibliothek hinzu. Der folgende Abschnitt enthält minimalen Beispielcode für requirements.txt für die divide Beispielfunktion.
    
    sagemaker
  - Führen Sie Ihren Code mit dem @remote Decorator aus, indem Sie die Datei mit den Abhängigkeiten übergeben. Ersetzen Sie im folgenden Codebeispiel The IAM role name durch einen AWS Identity and Access Management (IAM-) Rollen-ARN, den Sie SageMaker zur Ausführung Ihres Jobs verwenden möchten.
    
    import boto3 import sagemaker from sagemaker.remote_function import remote sm_session = sagemaker.Session(boto_session=boto3.session.Session(region_name="us-west-2")) settings = dict( sagemaker_session=sm_session, role=<The IAM role name>, instance_type="ml.m5.xlarge", dependencies='./requirements.txt' ) @remote(**settings) def divide(x, y): return x / y if __name__ == "__main__": print(divide(2, 3.0))
- Um Abhängigkeiten aus der aktiven conda Umgebung zu verwenden, verwenden Sie den Wert auto_capture für den dependencies Parameter, wie im Folgenden gezeigt.
```
import boto3
import sagemaker
from sagemaker.remote_function import remote

sm_session = sagemaker.Session(boto_session=boto3.session.Session(region_name="us-west-2"))
settings = dict(
    sagemaker_session=sm_session,
    role=<The IAM role name>,
    instance_type="ml.m5.xlarge",
    dependencies="auto_capture"
)

@remote(**settings)
def divide(x, y):
    return x / y


if __name__ == "__main__":
    print(divide(2, 3.0))
```
  Anmerkung
  Sie können den vorherigen Code auch in einem Jupyter-Notebook implementieren. PyCharm Die Professional Edition unterstützt Jupyter nativ. Weitere Anleitungen finden Sie in der Dokumentation zur Unterstützung von Jupyter-Notebooks. PyCharm

Warnung JavaScript ist in Ihrem Browser nicht verfügbar oder deaktiviert.

Zur Nutzung der AWS-Dokumentation muss JavaScript aktiviert sein. Weitere Informationen finden auf den Hilfe-Seiten Ihres Browsers.

Dokumentkonventionen

Hyperparameter-Tuning mit Amazon SageMaker AI RL

Rufen Sie eine Remote-Funktion auf