Pasos de Amazon SageMaker Model Building Pipelines

SageMaker Los oleoductos se componen de escalones. Estos pasos definen las acciones que realiza la canalización y las relaciones entre los pasos mediante propiedades.

Tipos de pasos

A continuación, se describen los requisitos de cada tipo de paso y se proporciona un ejemplo de implementación del paso. Estas implementaciones no funcionan porque no proporcionan los recursos y los insumos necesarios. Para ver un tutorial que implemente estos pasos, consulteCrear y gestionar SageMaker canalizaciones.

Amazon SageMaker Model Building Pipelines admite los siguientes tipos de pasos:

@step (decorador)

Puedes crear un paso a partir del código de aprendizaje automático local con el @step decorador. Después de probar el código, puedes convertir la función en un paso de SageMaker canalización anotándolo con el @step decorador. SageMaker Pipelines crea y ejecuta una canalización al pasar el resultado de la función @step decorada con símbolos como un paso a la canalización. También puedes crear una DAG canalización de varios pasos que incluya una o más funciones @step decoradas, así como los pasos de canalización tradicionales. SageMaker Para obtener más información sobre cómo crear un escalón con un @step decorador, consulte. Código L ift-and-shift Python con el decorador @step

Paso de procesamiento

Utilice un paso de procesamiento para crear un trabajo de procesamiento para el procesamiento de datos. Para obtener más información sobre los trabajos de procesamiento, consulte Process Data and Evaluate Models.

Un paso de procesamiento requiere un procesador, un script de Python que defina el código de procesamiento, las salidas para el procesamiento y los argumentos del trabajo. El siguiente ejemplo muestra cómo crear una definición de ProcessingStep.

from sagemaker.sklearn.processing import SKLearnProcessor

sklearn_processor = SKLearnProcessor(framework_version='1.0-1',
                                     role=<role>,
                                     instance_type='ml.m5.xlarge',
                                     instance_count=1)

from sagemaker.processing import ProcessingInput, ProcessingOutput
from sagemaker.workflow.steps import ProcessingStep

inputs = [
    ProcessingInput(source=<input_data>, destination="/opt/ml/processing/input"),
]

outputs = [
    ProcessingOutput(output_name="train", source="/opt/ml/processing/train"),
    ProcessingOutput(output_name="validation", source="/opt/ml/processing/validation"),
    ProcessingOutput(output_name="test", source="/opt/ml/processing/test")
]

step_process = ProcessingStep(
    name="AbaloneProcess",
    step_args = sklearn_processor.run(inputs=inputs, outputs=outputs,
        code="abalone/preprocessing.py")
)

Pasar parámetros de tiempo de ejecución

El siguiente ejemplo muestra cómo pasar los parámetros de tiempo de ejecución de un PySpark procesador a unProcessingStep.

from sagemaker.workflow.pipeline_context import PipelineSession
from sagemaker.spark.processing import PySparkProcessor
from sagemaker.processing import ProcessingInput, ProcessingOutput
from sagemaker.workflow.steps import ProcessingStep

pipeline_session = PipelineSession()

pyspark_processor = PySparkProcessor(
    framework_version='2.4',
    role=<role>,
    instance_type='ml.m5.xlarge',
    instance_count=1,
    sagemaker_session=pipeline_session,
)

step_args = pyspark_processor.run(
    inputs=[ProcessingInput(source=<input_data>, destination="/opt/ml/processing/input"),],
    outputs=[
        ProcessingOutput(output_name="train", source="/opt/ml/processing/train"),
        ProcessingOutput(output_name="validation", source="/opt/ml/processing/validation"),
        ProcessingOutput(output_name="test", source="/opt/ml/processing/test")
    ],
    code="preprocess.py",
    arguments=None,
)


step_process = ProcessingStep(
    name="AbaloneProcess",
    step_args=step_args,
)

Para obtener más información sobre los requisitos de los pasos de procesamiento, consulte sagemaker.workflow.steps. ProcessingStepdocumentación. Para ver un ejemplo detallado, consulte el cuaderno de ejemplo Orchestrate Jobs to Train and Evaluate Models with Amazon SageMaker Pipelines. La sección Definir un paso de procesamiento para la ingeniería de características incluye más información.

Paso de entrenamiento

Puede usar un paso de entrenamiento para crear un trabajo de entrenamiento para entrenar un modelo. Para obtener más información sobre los trabajos de formación, consulta Entrena a una modelo con Amazon SageMaker.

Un paso de entrenamiento requiere un estimador, así como la introducción y la validación de los datos de entrenamiento. El siguiente ejemplo muestra cómo crear una definición de TrainingStep. Para obtener más información sobre los requisitos de los pasos de entrenamiento, consulta sagemaker.workflow.steps. TrainingStepdocumentación.

from sagemaker.workflow.pipeline_context import PipelineSession

from sagemaker.inputs import TrainingInput
from sagemaker.workflow.steps import TrainingStep

from sagemaker.xgboost.estimator import XGBoost

pipeline_session = PipelineSession()

xgb_estimator = XGBoost(..., sagemaker_session=pipeline_session)

step_args = xgb_estimator.fit(
    inputs={
        "train": TrainingInput(
            s3_data=step_process.properties.ProcessingOutputConfig.Outputs[
                "train"
            ].S3Output.S3Uri,
            content_type="text/csv"
        ),
        "validation": TrainingInput(
            s3_data=step_process.properties.ProcessingOutputConfig.Outputs[
                "validation"
            ].S3Output.S3Uri,
            content_type="text/csv"
        )
    }
)

step_train = TrainingStep(
    name="TrainAbaloneModel",
    step_args=step_args,
)

Paso de ajuste

Se utiliza un paso de ajuste para crear un trabajo de ajuste de hiperparámetros, también conocido como optimización de hiperparámetros ()HPO. Un trabajo de ajuste de hiperparámetros ejecuta varios trabajos de formación, y cada trabajo produce una versión modelo. Para obtener más información sobre el ajuste de hiperparámetros, consulte Realice un ajuste automático del modelo con SageMaker.

El trabajo de ajuste está asociado con el SageMaker experimento del proceso, y los trabajos de formación se crean a modo de pruebas. Para obtener más información, consulte Integración de experimentos.

Un paso de ajuste requiere una HyperparameterTunery entradas de entrenamiento. Puede volver a entrenar los trabajos de ajuste anteriores si especifica el parámetro warm_start_config del HyperparameterTuner. Para obtener más información sobre el inicio en caliente y el ajuste de hiperparámetros, consulte Ejecución de un trabajo de ajuste de hiperparámetros de inicio en caliente.

Se utiliza el método get_top_model_s3_uri del sagemaker.workflow.steps. TuningStepclase para obtener el artefacto del modelo de una de las versiones del modelo con mejor rendimiento. Para ver un cuaderno que muestre cómo usar un paso de ajuste en una SageMaker canalización, consulta sagemaker-pipelines-tuning-step .ipynb.

El siguiente ejemplo muestra cómo crear una definición de TuningStep.

from sagemaker.workflow.pipeline_context import PipelineSession

from sagemaker.tuner import HyperparameterTuner
from sagemaker.inputs import TrainingInput
from sagemaker.workflow.steps import TuningStep

tuner = HyperparameterTuner(..., sagemaker_session=PipelineSession())
    
step_tuning = TuningStep(
    name = "HPTuning",
    step_args = tuner.fit(inputs=TrainingInput(s3_data="s3://my-bucket/my-data"))
)

Obtención de la mejor versión del modelo

El siguiente ejemplo muestra cómo obtener la mejor versión del modelo a partir del trabajo de ajuste mediante el método get_top_model_s3_uri. Como máximo, las 50 versiones con mejor rendimiento están disponibles clasificadas según HyperParameterTuningJobObjective. El argumento top_k es un índice de las versiones, donde top_k=0 es la versión con mejor rendimiento y top_k=49 es la versión con peor rendimiento.

best_model = Model(
    image_uri=image_uri,
    model_data=step_tuning.get_top_model_s3_uri(
        top_k=0,
        s3_bucket=sagemaker_session.default_bucket()
    ),
    ...
)

Para obtener más información sobre los requisitos de los pasos de ajuste, consulte sagemaker.workflow.steps. TuningStepdocumentación.

Paso AutoML

Utilice el AutoML API para crear una tarea de AutoML para entrenar automáticamente un modelo. Para obtener más información sobre los trabajos de AutoML, consulte Automatizar el desarrollo de modelos con Amazon SageMaker Autopilot.

El siguiente ejemplo muestra cómo crear una definición mediante AutoMLStep.

from sagemaker.workflow.pipeline_context import PipelineSession
from sagemaker.workflow.automl_step import AutoMLStep

pipeline_session = PipelineSession()

auto_ml = AutoML(...,
    role="<role>",
    target_attribute_name="my_target_attribute_name",
    mode="ENSEMBLING",
    sagemaker_session=pipeline_session) 

input_training = AutoMLInput(
    inputs="s3://my-bucket/my-training-data",
    target_attribute_name="my_target_attribute_name",
    channel_type="training",
)
input_validation = AutoMLInput(
    inputs="s3://my-bucket/my-validation-data",
    target_attribute_name="my_target_attribute_name",
    channel_type="validation",
)

step_args = auto_ml.fit(
    inputs=[input_training, input_validation]
)

step_automl = AutoMLStep(
    name="AutoMLStep",
    step_args=step_args,
)     

Obtención de la mejor versión del modelo

El paso AutoML entrena automáticamente a varios candidatos de modelos. Obtenga el modelo con la mejor métrica objetivo del trabajo de AutoML mediante el siguiente get_best_auto_ml_model método. También debe usar un IAM role para acceder a los artefactos del modelo.

best_model = step_automl.get_best_auto_ml_model(role=<role>)

Para obtener más información, consulte el paso AutoML en Python SageMaker . SDK

Paso de modelar

Utilice a ModelStep para crear o registrar un SageMaker modelo. Para obtener más información sobre ModelStep los requisitos, consulte sagemaker.workflow.model_step. ModelStepdocumentación.

Crear un modelo

Puede usar un ModelStep para crear un SageMaker modelo. A ModelStep requiere artefactos del modelo e información sobre el tipo de SageMaker instancia que necesita usar para crear el modelo. Para obtener más información sobre SageMaker los modelos, consulta Entrena a una modelo con Amazon SageMaker.

El siguiente ejemplo muestra cómo crear una definición de ModelStep.

from sagemaker.workflow.pipeline_context import PipelineSession
from sagemaker.model import Model
from sagemaker.workflow.model_step import ModelStep

step_train = TrainingStep(...)
model = Model(
    image_uri=pytorch_estimator.training_image_uri(),
    model_data=step_train.properties.ModelArtifacts.S3ModelArtifacts,
    sagemaker_session=PipelineSession(),
    role=role,
)

step_model_create = ModelStep(
   name="MyModelCreationStep",
   step_args=model.create(instance_type="ml.m5.xlarge"),
)

Registrar un modelo

Puedes usar un ModelStep para registrar un sagemaker.model.Model sagemaker.pipeline.PipelineModel o en el registro de SageMaker modelos de Amazon. Un PipelineModel representa una canalización de inferencia, que es un modelo compuesto de una secuencia lineal de contenedores que procesan solicitudes de inferencia. Para obtener más información sobre cómo registrar un modelo, consulte Registro e implementación de modelos con el registro de modelos.

El siguiente ejemplo muestra cómo crear un ModelStep que registre un PipelineModel.

import time

from sagemaker.workflow.pipeline_context import PipelineSession
from sagemaker.sklearn import SKLearnModel
from sagemaker.xgboost import XGBoostModel

pipeline_session = PipelineSession()

code_location = 's3://{0}/{1}/code'.format(bucket_name, prefix)

sklearn_model = SKLearnModel(
   model_data=processing_step.properties.ProcessingOutputConfig.Outputs['model'].S3Output.S3Uri,
   entry_point='inference.py',
   source_dir='sklearn_source_dir/',
   code_location=code_location,
   framework_version='1.0-1',
   role=role,
   sagemaker_session=pipeline_session,
   py_version='py3'
)

xgboost_model = XGBoostModel(
   model_data=training_step.properties.ModelArtifacts.S3ModelArtifacts,
   entry_point='inference.py',
   source_dir='xgboost_source_dir/',
   code_location=code_location,
   framework_version='0.90-2',
   py_version='py3',
   sagemaker_session=pipeline_session,
   role=role
)

from sagemaker.workflow.model_step import ModelStep
from sagemaker import PipelineModel

pipeline_model = PipelineModel(
   models=[sklearn_model, xgboost_model],
   role=role,sagemaker_session=pipeline_session,
)

register_model_step_args = pipeline_model.register(
    content_types=["application/json"],
   response_types=["application/json"],
   inference_instances=["ml.t2.medium", "ml.m5.xlarge"],
   transform_instances=["ml.m5.xlarge"],
   model_package_group_name='sipgroup',
)

step_model_registration = ModelStep(
   name="AbaloneRegisterModel",
   step_args=register_model_step_args,
)

CreateModel paso

Se utiliza un CreateModel paso para crear un SageMaker modelo. Para obtener más información sobre SageMaker los modelos, consulta Entrena a una modelo con Amazon SageMaker.

El paso de creación del modelo requiere artefactos del modelo e información sobre el tipo de SageMaker instancia que debe utilizar para crear el modelo. El siguiente ejemplo muestra cómo crear una definición de paso CreateModel. Para obtener más información sobre los requisitos de los CreateModel pasos, consulta sagemaker.workflow.steps. CreateModelStepdocumentación.

from sagemaker.workflow.steps import CreateModelStep

step_create_model = CreateModelStep(
    name="AbaloneCreateModel",
    model=best_model,
    inputs=inputs
)

RegisterModel paso

Debe seguir un RegisterModel paso para registrar un Sagemaker.Model.model o un sagemaker.pipeline. PipelineModelcon el registro de SageMaker modelos de Amazon. Un PipelineModel representa una canalización de inferencia, que es un modelo compuesto de una secuencia lineal de contenedores que procesan solicitudes de inferencia.

Para obtener más información sobre cómo registrar un modelo, consulte Registro e implementación de modelos con el registro de modelos. Para obtener más información sobre los requisitos de los RegisterModel pasos, consulte sagemaker.workflow.step_collections. RegisterModeldocumentación.

El siguiente ejemplo muestra cómo crear un paso RegisterModel que registre un PipelineModel.

import time
from sagemaker.sklearn import SKLearnModel
from sagemaker.xgboost import XGBoostModel

code_location = 's3://{0}/{1}/code'.format(bucket_name, prefix)

sklearn_model = SKLearnModel(model_data=processing_step.properties.ProcessingOutputConfig.Outputs['model'].S3Output.S3Uri,
 entry_point='inference.py',
 source_dir='sklearn_source_dir/',
 code_location=code_location,
 framework_version='1.0-1',
 role=role,
 sagemaker_session=sagemaker_session,
 py_version='py3')

xgboost_model = XGBoostModel(model_data=training_step.properties.ModelArtifacts.S3ModelArtifacts,
 entry_point='inference.py',
 source_dir='xgboost_source_dir/',
 code_location=code_location,
 framework_version='0.90-2',
 py_version='py3',
 sagemaker_session=sagemaker_session,
 role=role)

from sagemaker.workflow.step_collections import RegisterModel
from sagemaker import PipelineModel
pipeline_model = PipelineModel(models=[sklearn_model,xgboost_model],role=role,sagemaker_session=sagemaker_session)

step_register = RegisterModel(
 name="AbaloneRegisterModel",
 model=pipeline_model,
 content_types=["application/json"],
 response_types=["application/json"],
 inference_instances=["ml.t2.medium", "ml.m5.xlarge"],
 transform_instances=["ml.m5.xlarge"],
 model_package_group_name='sipgroup',
)

Si no se proporciona el model, el paso de registro del modelo requiere un estimador, como se muestra en el ejemplo siguiente.

from sagemaker.workflow.step_collections import RegisterModel

step_register = RegisterModel(
    name="AbaloneRegisterModel",
    estimator=xgb_train,
    model_data=step_train.properties.ModelArtifacts.S3ModelArtifacts,
    content_types=["text/csv"],
    response_types=["text/csv"],
    inference_instances=["ml.t2.medium", "ml.m5.xlarge"],
    transform_instances=["ml.m5.xlarge"],
    model_package_group_name=model_package_group_name,
    approval_status=model_approval_status,
    model_metrics=model_metrics
)

Paso de transformación

Utilice un paso de transformación por lotes para ejecutar la inferencia en todo un conjunto de datos. Para obtener más información acerca de la transformación por lotes, consulte Ejecución de transformaciones por lotes con canalizaciones de inferencia.

Un paso de transformación requiere un transformador y los datos sobre los que se ejecutará la transformación por lotes. El siguiente ejemplo muestra cómo crear una definición de paso Transform. Para obtener más información sobre los requisitos de los Transform pasos, consulte sagemaker.workflow.steps. TransformStepdocumentación.

from sagemaker.workflow.pipeline_context import PipelineSession

from sagemaker.transformer import Transformer
from sagemaker.inputs import TransformInput
from sagemaker.workflow.steps import TransformStep

transformer = Transformer(..., sagemaker_session=PipelineSession())

step_transform = TransformStep(
    name="AbaloneTransform",
    step_args=transformer.transform(data="s3://my-bucket/my-data"),
)

Paso de acondicionamiento

Se utiliza un paso de condición para evaluar la condición de las propiedades del paso y evaluar qué acción se debe realizar a continuación en la canalización.

Un paso de acondicionamiento requiere:

El siguiente ejemplo muestra cómo crear una definición de ConditionStep.

Limitaciones

from sagemaker.workflow.conditions import ConditionLessThanOrEqualTo
from sagemaker.workflow.condition_step import ConditionStep
from sagemaker.workflow.functions import JsonGet

cond_lte = ConditionLessThanOrEqualTo(
    left=JsonGet(
        step_name=step_eval.name,
        property_file=evaluation_report,
        json_path="regression_metrics.mse.value"
    ),
    right=6.0
)

step_cond = ConditionStep(
    name="AbaloneMSECond",
    conditions=[cond_lte],
    if_steps=[step_register, step_create_model, step_transform],
    else_steps=[]
)

Para obtener más información sobre ConditionStep los requisitos, consulta sagemaker.workflow.condition_step. ConditionStepAPIreferencia. Para obtener más información sobre las condiciones admitidas, consulte Amazon SageMaker Model Building Pipelines: Conditions en la SDK documentación de SageMaker Python.

Paso de devolución de llamada

Utilice un Callback paso para añadir procesos y AWS servicios adicionales a su flujo de trabajo que Amazon SageMaker Model Building Pipelines no proporcione directamente. Cuando se ejecuta un paso Callback, se lleva a cabo el siguiente procedimiento:

Para obtener más información sobre los requisitos de los Callback pasos, consulta sagemaker.workflow.callback_step. CallbackStepdocumentación. Para obtener una solución completa, consulte Ampliar los SageMaker canales para incluir pasos personalizados mediante pasos de devolución de llamadas.

En el siguiente ejemplo, se muestra una implementación del procedimiento anterior.

from sagemaker.workflow.callback_step import CallbackStep

step_callback = CallbackStep(
    name="MyCallbackStep",
    sqs_queue_url="https://sqs.us-east-2.amazonaws.com/012345678901/MyCallbackQueue",
    inputs={...},
    outputs=[...]
)

callback_handler_code = '
    import boto3
    import json

    def handler(event, context):
        sagemaker_client=boto3.client("sagemaker")

        for record in event["Records"]:
            payload=json.loads(record["body"])
            token=payload["token"]

            # Custom processing

            # Call SageMaker to complete the step
            sagemaker_client.send_pipeline_execution_step_success(
                CallbackToken=token,
                OutputParameters={...}
            )
'

Comportamiento de detención

Un proceso de canalización no se detiene mientras se ejecuta un paso Callback.

Cuando llamas a un proceso de canalización con un Callback paso StopPipelineExecutionen ejecución, SageMaker Pipelines envía un SQS mensaje de Amazon a la SQS cola. El cuerpo del SQS mensaje contiene un campo de estado, que está configurado en. Stopping A continuación se muestra un ejemplo del cuerpo del SQS mensaje.

{
  "token": "26vcYbeWsZ",
  "pipelineExecutionArn": "arn:aws:sagemaker:us-east-2:012345678901:pipeline/callback-pipeline/execution/7pinimwddh3a",
  "arguments": {
    "number": 5,
    "stringArg": "some-arg",
    "inputData": "s3://sagemaker-us-west-2-012345678901/abalone/abalone-dataset.csv"
  },
  "status": "Stopping"
}

Debes añadir lógica a tu consumidor de SQS mensajes de Amazon para tomar las medidas necesarias (por ejemplo, limpiar los recursos) al recibir el mensaje. Luego agrega una llamada a SendPipelineExecutionStepSuccess oSendPipelineExecutionStepFailure.

Solo cuando SageMaker Pipelines recibe una de estas llamadas, detiene el proceso de canalización.

Paso Lambda

Se utiliza un paso Lambda para ejecutar una AWS Lambda función. Puede ejecutar una función Lambda existente o SageMaker puede crear y ejecutar una función Lambda nueva. Para ver un cuaderno que muestre cómo usar un paso de Lambda en una SageMaker canalización, consulte sagemaker-pipelines-lambda-step .ipynb.

SageMaker proporciona la clase SageMaker.Lambda_Helper.Lambda para crear, actualizar, invocar y eliminar funciones Lambda. Lambdatiene la siguiente firma.

Lambda(
    function_arn,       # Only required argument to invoke an existing Lambda function

    # The following arguments are required to create a Lambda function:
    function_name,
    execution_role_arn,
    zipped_code_dir,    # Specify either zipped_code_dir and s3_bucket, OR script
    s3_bucket,          # S3 bucket where zipped_code_dir is uploaded
    script,             # Path of Lambda function script
    handler,            # Lambda handler specified as "lambda_script.lambda_handler"
    timeout,            # Maximum time the Lambda function can run before the lambda step fails
    ...
)

El sagemaker.workflow.lambda_step. LambdaStepla clase tiene un argumento de tipo. lambda_func Lambda Para invocar una función Lambda existente, el único requisito es proporcionar el nombre de recurso de Amazon ARN () de la función a. function_arn Si no proporciona un valor para function_arn, debe especificar el handler y una de las siguientes opciones:

El siguiente ejemplo muestra cómo crear una definición de paso Lambda que invoque una función de Lambda existente.

from sagemaker.workflow.lambda_step import LambdaStep
from sagemaker.lambda_helper import Lambda

step_lambda = LambdaStep(
    name="ProcessingLambda",
    lambda_func=Lambda(
        function_arn="arn:aws:lambda:us-west-2:012345678910:function:split-dataset-lambda"
    ),
    inputs={
        s3_bucket = s3_bucket,
        data_file = data_file
    },
    outputs=[
        "train_file", "test_file"
    ]
)

El siguiente ejemplo muestra cómo crear una definición de paso Lambda que cree e invoque una función de Lambda mediante un script de función de Lambda.

from sagemaker.workflow.lambda_step import LambdaStep
from sagemaker.lambda_helper import Lambda

step_lambda = LambdaStep(
    name="ProcessingLambda",
    lambda_func=Lambda(
      function_name="split-dataset-lambda",
      execution_role_arn=execution_role_arn,
      script="lambda_script.py",
      handler="lambda_script.lambda_handler",
      ...
    ),
    inputs={
        s3_bucket = s3_bucket,
        data_file = data_file
    },
    outputs=[
        "train_file", "test_file"
    ]
)

Entradas y salidas

Si la función Lambda tiene entradas o salidas, estas también deben definirse en el paso Lambda.

Al definir el paso Lambda, inputs debe se un diccionario de pares clave-valor. Cada valor del diccionario de inputs debe ser de un tipo primitivo (cadena, entero o flotante). No se admiten objetos anidados. Si no se define, el valor de inputs predeterminado es None.

El valor de outputs debe ser una lista de claves. Estas claves hacen referencia a un diccionario definido en la salida de la función Lambda. Como en inputs, estas claves deben ser de tipos primitivos y no se admiten objetos anidados.

Comportamiento de tiempo de espera y detención

La clase Lambda tiene un argumento timeout que especifica el tiempo máximo que puede ejecutarse la función de Lambda. El valor predeterminado es de 120 segundos, con un máximo de 10 minutos. Si la función de Lambda se está ejecutando cuando se alcanza el tiempo de espera, el paso Lambda producirá un erro; sin embargo, la función de Lambda seguirá ejecutándose.

No se puede detener un proceso de canalización mientras se está ejecutando un paso Lambda porque la función de Lambda invocada por el paso Lambda no se puede detener. Si detiene el proceso mientras la función Lambda está en ejecución, la canalización espera a que finalice la función o hasta que se agote el tiempo de espera. Esto depende de lo que ocurra primero. A continuación, el proceso se detiene. Si la función de Lambda finaliza, el estado del proceso de canalización es Stopped. Si se agota el tiempo de espera, el estado del proceso de canalización es Failed.

ClarifyCheck paso

Puede utilizar el paso ClarifyCheck para comprobar la desviación de la referencia con respecto a las líneas de base anteriores para analizar los sesgos y la explicabilidad del modelo. A continuación, puede generar y registrar las líneas de base con el método model.register() y pasar la salida de ese método a Paso de modelar con step_args. Amazon SageMaker Model Monitor puede utilizar estas líneas base para la comprobación de desviaciones para los puntos finales de su modelo. Por lo tanto, no es necesario que haga una sugerencia de referencia por separado.

El paso ClarifyCheck también permite extraer líneas de base para la comprobación de desviaciones del registro del modelo. En este ClarifyCheck paso se utiliza el contenedor SageMaker prediseñado de Clarify. Este contenedor proporciona una gama de capacidades de monitoreo de modelos, que incluyen la sugerencia de restricciones y la validación de restricciones con respecto a una línea base determinada. Para obtener más información, consulte Comience con un contenedor SageMaker Clarify.

Configurar el paso ClarifyCheck

Puede configurar el paso ClarifyCheck para que realice solo uno de los siguientes tipos de comprobaciones cada vez que se utilice en una canalización.

Para ello, defina el clarify_check_config parámetro con uno de los siguientes valores de tipo de comprobación:

Este ClarifyCheck paso inicia un trabajo de procesamiento que ejecuta el contenedor SageMaker prediseñado de Clarify y requiere configuraciones específicas para la comprobación y el trabajo de procesamiento. ClarifyCheckConfigy CheckJobConfig son funciones auxiliares para estas configuraciones. Estas funciones auxiliares están alineadas con la forma en que el trabajo de procesamiento de SageMaker Clarify calcula para comprobar el sesgo del modelo, el sesgo de los datos o la explicabilidad del modelo. Para obtener más información, consulte Ejecute SageMaker Clarify Processing Jobs para analizar los sesgos y facilitar la explicación.

Control del comportamiento del paso para comprobaciones de desviación

El paso ClarifyCheck requiere los dos indicadores booleanos siguientes para controlar su comportamiento:

Para obtener más información, consulte Cálculo de referencia, detección de desviaciones y ciclo de vida con Amazon SageMaker Model Building Pipelines ClarifyCheck y sus QualityCheck pasos.

Trabajo con líneas de base

Si lo desea, puede especificarlo model_package_group_name para localizar la línea base existente. A continuación, el ClarifyCheck paso extrae DriftCheckBaselines el último paquete de modelos aprobado del grupo de paquetes de modelos.

O bien, puede proporcionar una referencia anterior a través del parámetro supplied_baseline_constraints. Si especifica tanto model_package_group_name como supplied_baseline_constraints, el paso ClarifyCheck utiliza la referencia especificada por el parámetro supplied_baseline_constraints.

Para obtener más información sobre el uso de los requisitos del ClarifyCheck paso, consulte sagemaker.workflow.steps. ClarifyCheckStepen Amazon SageMaker SageMaker SDK para Python. Para ver un bloc de notas clásico de Amazon SageMaker Studio que muestre cómo usar ClarifyCheck step in SageMaker Pipelines, consulta sagemaker-pipeline-model-monitor-clarify-steps.ipynb.

from sagemaker.workflow.check_job_config import CheckJobConfig
from sagemaker.workflow.clarify_check_step import DataBiasCheckConfig, ClarifyCheckStep
from sagemaker.workflow.execution_variables import ExecutionVariables

check_job_config = CheckJobConfig(
    role=role,
    instance_count=1,
    instance_type="ml.c5.xlarge",
    volume_size_in_gb=120,
    sagemaker_session=sagemaker_session,
)

data_bias_data_config = DataConfig(
    s3_data_input_path=step_process.properties.ProcessingOutputConfig.Outputs["train"].S3Output.S3Uri,
    s3_output_path=Join(on='/', values=['s3:/', your_bucket, base_job_prefix, ExecutionVariables.PIPELINE_EXECUTION_ID, 'databiascheckstep']),
    label=0,
    dataset_type="text/csv",
    s3_analysis_config_output_path=data_bias_analysis_cfg_output_path,
)

data_bias_config = BiasConfig(
    label_values_or_threshold=[15.0], facet_name=[8], facet_values_or_threshold=[[0.5]]  
)

data_bias_check_config = DataBiasCheckConfig(
    data_config=data_bias_data_config,
    data_bias_config=data_bias_config,
)h

data_bias_check_step = ClarifyCheckStep(
    name="DataBiasCheckStep",
    clarify_check_config=data_bias_check_config,
    check_job_config=check_job_config,
    skip_check=False,
    register_new_baseline=False
   supplied_baseline_constraints="s3://sagemaker-us-west-2-111122223333/baseline/analysis.json",
    model_package_group_name="MyModelPackageGroup"
)

QualityCheck paso

Utilice este QualityCheck paso para realizar sugerencias de referencia y comprobar la calidad de los datos o la calidad del modelo con respecto a una línea de base anterior en relación con la calidad de los datos o del modelo en proceso. A continuación, puede generar y registrar las líneas de base con el model.register() método y pasar el resultado de ese método a su Paso de modelar utilizaciónstep_args.]

El monitor de modelos utiliza estas referencias para la comprobación de desviaciones en los puntos de conexión del modelo, de manera que no sea necesario hacer una sugerencia de referencia aparte. El paso QualityCheck también permite extraer líneas de base para la comprobación de desviaciones del registro del modelo. Este QualityCheck paso aprovecha el contenedor prediseñado de Amazon SageMaker Model Monitor. Este contenedor tiene una gama de capacidades de monitoreo de modelos que incluyen la sugerencia de restricciones, la generación de estadísticas y la validación de restricciones con respecto a una línea de base. Para obtener más información, consulte Contenedor prediseñado de Amazon SageMaker Model Monitor.

Configurar el paso QualityCheck

Puede configurar el QualityCheck paso para que ejecute solo uno de los siguientes tipos de comprobación cada vez que se utilice en una canalización.

Para ello, defina el parámetro quality_check_config con uno de los siguientes valores de tipo de comprobación:

El paso QualityCheck inicia un trabajo de procesamiento que ejecuta el contenedor prediseñado del monitor de modelos y requiere configuraciones específicas para el trabajo de verificación y procesamiento. Las QualityCheckConfig y CheckJobConfig son funciones auxiliares para estas configuraciones. Estas funciones auxiliares están alineadas con la forma en que Model Monitor crea una línea base para la calidad del modelo o el monitoreo de la calidad de los datos. Para obtener más información sobre las sugerencias de referencia del monitor de modelos, consulte Crear una referencia y Cree una línea base de calidad del modelo.

Control del comportamiento del paso para comprobaciones de desviación

El paso QualityCheck requiere los dos indicadores booleanos siguientes para controlar su comportamiento:

Para obtener más información, consulte Cálculo de referencia, detección de desviaciones y ciclo de vida con Amazon SageMaker Model Building Pipelines ClarifyCheck y sus QualityCheck pasos.

Trabajo con líneas de base

Puede especificar una línea base anterior directamente a través de los supplied_baseline_constraints parámetros supplied_baseline_statistics y. También puede especificar model_package_group_name y el QualityCheck paso extrae el último paquete DriftCheckBaselines de modelos aprobado del grupo de paquetes de modelos.

Al especificar lo siguiente, el QualityCheck paso utiliza la línea base especificada por supplied_baseline_constraints y supplied_baseline_statistics sobre el tipo de verificación del QualityCheck paso.

Para obtener más información sobre el uso de los requisitos del QualityCheck paso, consulte sagemaker.workflow.steps. QualityCheckStepen Amazon SageMaker SageMaker SDK para Python. Para ver un bloc de notas clásico de Amazon SageMaker Studio que muestre cómo usar QualityCheck step in SageMaker Pipelines, consulta sagemaker-pipeline-model-monitor-clarify-steps.ipynb.

from sagemaker.workflow.check_job_config import CheckJobConfig
from sagemaker.workflow.quality_check_step import DataQualityCheckConfig, QualityCheckStep
from sagemaker.workflow.execution_variables import ExecutionVariables

check_job_config = CheckJobConfig(
    role=role,
    instance_count=1,
    instance_type="ml.c5.xlarge",
    volume_size_in_gb=120,
    sagemaker_session=sagemaker_session,
)

data_quality_check_config = DataQualityCheckConfig(
    baseline_dataset=step_process.properties.ProcessingOutputConfig.Outputs["train"].S3Output.S3Uri,
    dataset_format=DatasetFormat.csv(header=False, output_columns_position="START"),
    output_s3_uri=Join(on='/', values=['s3:/', your_bucket, base_job_prefix, ExecutionVariables.PIPELINE_EXECUTION_ID, 'dataqualitycheckstep'])
)

data_quality_check_step = QualityCheckStep(
    name="DataQualityCheckStep",
    skip_check=False,
    register_new_baseline=False,
    quality_check_config=data_quality_check_config,
    check_job_config=check_job_config,
    supplied_baseline_statistics="s3://sagemaker-us-west-2-555555555555/baseline/statistics.json",
    supplied_baseline_constraints="s3://sagemaker-us-west-2-555555555555/baseline/constraints.json",
    model_package_group_name="MyModelPackageGroup"
)

EMRpaso 2

Utilice el paso Amazon SageMaker Model Building EMRPipelines para:

Para obtener más información sobre AmazonEMR, consulta Cómo empezar con Amazon EMR.

El EMR paso requiere que se EMRStepConfig incluya la ubicación del JAR archivo utilizado por el EMR clúster de Amazon y cualquier argumento que se vaya a pasar. También debes proporcionar el ID de EMR clúster de Amazon si quieres ejecutar el paso en un EMR clúster en ejecución. También puedes pasar la configuración del clúster para ejecutar el EMR paso en un clúster que crea, administra y termina por ti. Las siguientes secciones incluyen ejemplos y enlaces a cuadernos de muestra que muestran ambos métodos.

Lanzar un nuevo trabajo en un EMR clúster de Amazon en ejecución

Para lanzar un nuevo trabajo en un EMR clúster de Amazon en ejecución, pasa el ID del clúster en forma de cadena al cluster_id argumento deEMRStep. El siguiente ejemplo demuestra este procedimiento.

from sagemaker.workflow.emr_step import EMRStep, EMRStepConfig

emr_config = EMRStepConfig(
    jar="jar-location", # required, path to jar file used
    args=["--verbose", "--force"], # optional list of arguments to pass to the jar
    main_class="com.my.Main1", # optional main class, this can be omitted if jar above has a manifest 
    properties=[ # optional list of Java properties that are set when the step runs
    {
        "key": "mapred.tasktracker.map.tasks.maximum",
        "value": "2"
    },
    {
        "key": "mapreduce.map.sort.spill.percent",
        "value": "0.90"
   },
   {
       "key": "mapreduce.tasktracker.reduce.tasks.maximum",
       "value": "5"
    }
  ]
)

step_emr = EMRStep (
    name="EMRSampleStep", # required
    cluster_id="j-1ABCDEFG2HIJK", # include cluster_id to use a running cluster
    step_config=emr_config, # required
    display_name="My EMR Step",
    description="Pipeline step to execute EMR job"
)

Para ver un ejemplo de cuaderno que le guiará a través de un ejemplo completo, consulte SageMaker Pipelines EMR Step With Running EMR Cluster.

Lanzar un nuevo trabajo en un nuevo EMR clúster de Amazon

Para lanzar un nuevo trabajo en un clúster nuevo que EMRStep cree para usted, proporcione la configuración del clúster en forma de diccionario. El diccionario debe tener la misma estructura que una RunJobFlowsolicitud. Sin embargo, no incluya los siguientes campos en la configuración del clúster:

Todos los demás argumentos RunJobFlow están disponibles para su uso en la configuración del clúster. Para obtener más información sobre la sintaxis de la solicitud, consulte RunJobFlow.

En el siguiente ejemplo, se pasa una configuración de clúster a una definición de EMR pasos. Esto indica que el paso debe lanzar un nuevo trabajo en un EMR clúster nuevo. La configuración del EMR clúster de este ejemplo incluye especificaciones para los nodos del EMR clúster principal y principal. Para obtener más información sobre los tipos de EMR nodos de Amazon, consulte Comprender los tipos de nodos: nodos principales, principales y de tareas.

from sagemaker.workflow.emr_step import EMRStep, EMRStepConfig

emr_step_config = EMRStepConfig(
    jar="jar-location", # required, path to jar file used
    args=["--verbose", "--force"], # optional list of arguments to pass to the jar
    main_class="com.my.Main1", # optional main class, this can be omitted if jar above has a manifest 
    properties=[ # optional list of Java properties that are set when the step runs
    {
        "key": "mapred.tasktracker.map.tasks.maximum",
        "value": "2"
    },
    {
        "key": "mapreduce.map.sort.spill.percent",
        "value": "0.90"
   },
   {
       "key": "mapreduce.tasktracker.reduce.tasks.maximum",
       "value": "5"
    }
  ]
)

# include your cluster configuration as a dictionary
emr_cluster_config = {
    "Applications": [
        {
            "Name": "Spark", 
        }
    ],
    "Instances":{
        "InstanceGroups":[
            {
                "InstanceRole": "MASTER",
                "InstanceCount": 1,
                "InstanceType": "m5.2xlarge"
            },
            {
                "InstanceRole": "CORE",
                "InstanceCount": 2,
                "InstanceType": "m5.2xlarge"
            }
        ]
    },
    "BootstrapActions":[],
    "ReleaseLabel": "emr-6.6.0",
    "JobFlowRole": "job-flow-role",
    "ServiceRole": "service-role"
}

emr_step = EMRStep(
    name="emr-step",
    cluster_id=None,
    display_name="emr_step",
    description="MyEMRStepDescription",
    step_config=emr_step_config,
    cluster_config=emr_cluster_config
)

Para ver un ejemplo de cuaderno que le guiará a través de un ejemplo completo, consulte SageMaker Pipelines EMR Step With Cluster Lifecycle Management.

Paso de trabajo de Notebook

Utilice NotebookJobStep a para ejecutar su SageMaker Notebook Job de forma no interactiva como un paso de proceso. Para obtener más información sobre los trabajos de SageMaker Notebook, consulte. SageMaker Trabajos de cuaderno

A NotebookJobStep requiere como mínimo una libreta de entrada, una imagen URI y un nombre del núcleo. Para obtener más información sobre los requisitos de los pasos de Notebook Job y otros parámetros que puede configurar para personalizar su paso, consulte sagemaker.workflow.steps. NotebookJobStep.

En el siguiente ejemplo, se utilizan argumentos mínimos para definir unNotebookJobStep.

from sagemaker.workflow.notebook_job_step import NotebookJobStep


notebook_job_step = NotebookJobStep(
    input_notebook=input_notebook,
    image_uri=image_uri,
    kernel_name=kernel_name
)

El paso de la NotebookJobStep canalización se trata como un trabajo de SageMaker cuaderno. Como resultado, realiza un seguimiento del estado de ejecución en el panel de tareas del cuaderno de Studio Classic UI incluyendo etiquetas específicas con el tags argumento. Para obtener más información sobre las etiquetas que se deben incluir, consulteConsulta los trabajos de tu bloc de notas en el panel de la interfaz de usuario de Studio.

Además, si programa el trabajo del bloc de notas con SageMaker PythonSDK, solo podrá especificar determinadas imágenes para ejecutar el trabajo del bloc de notas. Para obtener más información, consulte Restricciones de imagen para trabajos de SDK cuadernos de SageMaker Python.

Paso fallido

Utilice FailStep a para detener una ejecución de Amazon SageMaker Model Building Pipelines cuando no se alcance la condición o el estado deseados. Esto también marca la ejecución de esa canalización como fallida. El FailStep también le permite introducir un mensaje de error personalizado en el que se indique la causa del error de la ejecución de la canalización.

Limitaciones de uso de FailStep

Puede crear el ErrorMessage de FailStep en forma de cadena de texto estático. Como alternativa, también puede utilizar los Parámetros de canalización, una operación de unión u otras propiedades del paso para crear un mensaje de error más informativo.

from sagemaker.workflow.fail_step import FailStep
from sagemaker.workflow.functions import Join
from sagemaker.workflow.parameters import ParameterInteger

mse_threshold_param = ParameterInteger(name="MseThreshold", default_value=5)
step_fail = FailStep(
    name="AbaloneMSEFail",
    error_message=Join(
        on=" ", values=["Execution failed due to MSE >", mse_threshold_param]
    ),
)

Propiedades de los pasos

Utilice el properties atributo para añadir dependencias de datos entre los pasos de la canalización. SageMaker Las canalizaciones utilizan estas dependencias de datos para construirlas a DAG partir de la definición de canalización. Se puede hacer referencia a estas propiedades como valores de marcador de posición y se resuelven en el tiempo de ejecución.

El properties atributo de un paso de SageMaker Pipelines coincide con el objeto devuelto por una Describe llamada para el tipo de trabajo correspondiente SageMaker . Para cada tipo de trabajo, la llamada Describe devuelve el siguiente objeto de respuesta:

Para comprobar qué propiedades son recomendables para cada tipo de paso durante la creación de una dependencia de datos, consulte Dependencia de datos: referencia de propiedades en Amazon Python SageMaker . SDK

Paralelismo escalonado

Cuando un paso no depende de ningún otro paso, se ejecuta inmediatamente después de la ejecución de la canalización. Sin embargo, si se ejecutan demasiados pasos de canalización en paralelo se podrían agotar rápidamente los recursos disponibles. Controle el número de pasos simultáneos para la ejecución de una canalización con ParallelismConfiguration.

En el siguiente ejemplo, se utiliza ParallelismConfiguration para establecer el límite de pasos simultáneos en cinco.

pipeline.create(
    parallelism_config=ParallelismConfiguration(5),
)

Dependencia de datos entre pasos

La estructura de la suya se define DAG especificando las relaciones de datos entre los pasos. Para crear dependencias de datos entre los pasos, transfiera las propiedades de un paso como entrada a otro paso de la canalización. El paso que recibe la entrada no se inicia hasta que termina de ejecutarse el paso que proporciona la entrada.

Una dependencia de datos utiliza la JsonPath notación en el siguiente formato. Este formato recorre el archivo de JSON propiedades. Esto significa que puede añadir tantas <property> instancias según sea necesario para alcanzar la propiedad anidada deseada en el archivo. Para obtener más información sobre la JsonPath notación, consulta el JsonPath repositorio.

<step_name>.properties.<property>.<property>

A continuación se muestra cómo especificar un bucket de Amazon S3 mediante la propiedad ProcessingOutputConfig de un paso de procesamiento.

step_process.properties.ProcessingOutputConfig.Outputs["train_data"].S3Output.S3Uri

Para crear la dependencia de datos, pase el bucket a un paso de entrenamiento de la siguiente manera.

from sagemaker.workflow.pipeline_context import PipelineSession

sklearn_train = SKLearn(..., sagemaker_session=PipelineSession())

step_train = TrainingStep(
    name="CensusTrain",
    step_args=sklearn_train.fit(inputs=TrainingInput(
        s3_data=step_process.properties.ProcessingOutputConfig.Outputs[
            "train_data"].S3Output.S3Uri
    ))
)

Para comprobar qué propiedades son recomendables para cada tipo de paso durante la creación de una dependencia de datos, consulte Dependencia de datos: referencia de propiedades en Amazon Python SageMaker . SDK

Dependencia personalizada entre los pasos

Cuando especificas una dependencia de datos, SageMaker Pipelines proporciona la conexión de datos entre los pasos. Como alternativa, un paso puede acceder a los datos de un paso anterior sin usar SageMaker Pipelines directamente. En este caso, puedes crear una dependencia personalizada que indique a SageMaker Pipelines que no inicie un paso hasta que otro haya terminado de ejecutarse. Para crear una dependencia personalizada, especifique el atributo DependsOn de un paso.

A modo de ejemplo, lo siguiente define un paso C que comienza solo después de que el paso A y el paso B terminen de ejecutarse.

{
  'Steps': [
    {'Name':'A', ...},
    {'Name':'B', ...},
    {'Name':'C', 'DependsOn': ['A', 'B']}
  ]
}

SageMaker Pipelines lanza una excepción de validación si la dependencia crea una dependencia cíclica.

En el siguiente ejemplo, se crea un paso de entrenamiento que comienza cuando termina de ejecutarse un paso de procesamiento.

processing_step = ProcessingStep(...)
training_step = TrainingStep(...)

training_step.add_depends_on([processing_step])

El siguiente ejemplo crea un paso de entrenamiento que no comienza hasta que terminen de ejecutarse dos pasos de procesamiento diferentes.

processing_step_1 = ProcessingStep(...)
processing_step_2 = ProcessingStep(...)

training_step = TrainingStep(...)

training_step.add_depends_on([processing_step_1, processing_step_2])

A continuación, se proporciona una forma alternativa de crear la dependencia personalizada.

training_step.add_depends_on([processing_step_1])
training_step.add_depends_on([processing_step_2])

El siguiente ejemplo crea un paso de entrenamiento que recibe la entrada de un paso de procesamiento y espera a que termine de ejecutarse otro paso de procesamiento.

processing_step_1 = ProcessingStep(...)
processing_step_2 = ProcessingStep(...)

training_step = TrainingStep(
    ...,
    inputs=TrainingInput(
        s3_data=processing_step_1.properties.ProcessingOutputConfig.Outputs[
            "train_data"
        ].S3Output.S3Uri
    )

training_step.add_depends_on([processing_step_2])

En el ejemplo siguiente se muestra cómo recuperar una lista de cadenas de las dependencias personalizadas de un paso.

custom_dependencies = training_step.depends_on

Usa una imagen personalizada en un paso

Puedes usar cualquiera de las imágenes del contenedor de aprendizaje SageMaker profundo disponibles al crear un paso en tu proceso.

También puede utilizar su propio contenedor con pasos de canalización. Como no puede crear una imagen desde Studio Classic, debe crearla con otro método antes de usarla con SageMaker Pipelines.

Para usar tu propio contenedor al crear los pasos de tu canalización, incluye la imagen URI en la definición del estimador. Para obtener más información sobre cómo usar tu propio contenedor con SageMaker, consulta Cómo usar contenedores Docker con. SageMaker