Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.
Puedes usar el SDK de SageMaker Python para ejecutar tu propia imagen de procesamiento mediante la Processor clase. El siguiente ejemplo muestra cómo ejecutar su propio contenedor de procesamiento con una entrada de Amazon Simple Storage Service (Amazon S3) y una salida a Amazon S3.
from sagemaker.processing import Processor, ProcessingInput, ProcessingOutput
processor = Processor(image_uri='<your_ecr_image_uri>',
role=role,
instance_count=1,
instance_type="ml.m5.xlarge")
processor.run(inputs=[ProcessingInput(
source='<s3_uri or local path>',
destination='/opt/ml/processing/input_data')],
outputs=[ProcessingOutput(
source='/opt/ml/processing/processed_data',
destination='<s3_uri>')],
)En lugar de crear el código de procesamiento en la imagen de procesamiento, puede proporcionar un ScriptProcessor con su imagen y el comando que desea ejecutar, junto con el código que desea ejecutar dentro de ese contenedor. Para ver un ejemplo, consulta Ejecutar scripts con su propio contenedor de procesamiento.
También puedes usar la imagen de scikit-learn que proporciona Amazon SageMaker Processing SKLearnProcessor para ejecutar los scripts de scikit-learn. Para ver un ejemplo, consulte Ejecución de un trabajo de procesamiento con scikit-learn.
