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.
Utilice el estimador SageMaker genérico para ampliar los contenedores prediseñados DLC
Puede personalizar los contenedores SageMaker prediseñados o ampliarlos para gestionar cualquier requisito funcional adicional de su algoritmo o modelo que no sea compatible con la imagen de SageMaker Docker prediseñada. Para ver un ejemplo de cómo ampliar un contenedor prediseñado, consulte Ampliar un contenedor prediseñado.
Para ampliar un contenedor prediseñado o adaptar su propio contenedor para usar la biblioteca, debe usar una de las imágenes que aparecen en Marcos admitidos.
nota
A partir de las TensorFlow versiones 2.4.1 y PyTorch 1.8.1, el SageMaker framework DLCs admite tipos de instancias compatibles. EFA Te recomendamos que utilices las DLC imágenes que contengan las TensorFlow versiones 2.4.1 o versiones posteriores y PyTorch 1.8.1 o posteriores.
Por ejemplo, si las usa PyTorch, su Dockerfile debe contener una FROM declaración similar a la siguiente:
# SageMaker PyTorch image FROM 763104351884.dkr.ecr.<aws-region>.amazonaws.com/pytorch-training:<image-tag>ENV PATH="/opt/ml/code:${PATH}" # this environment variable is used by the SageMaker PyTorch container to determine our user code directory. ENV SAGEMAKER_SUBMIT_DIRECTORY /opt/ml/code # /opt/ml and all subdirectories are utilized by SageMaker, use the /code subdirectory to store your user code. COPYtrain.py/opt/ml/code/train.py # Defines cifar10.py as script entrypoint ENV SAGEMAKER_PROGRAMtrain.py
Puede personalizar aún más su propio contenedor de Docker para que funcione con él SageMaker mediante el kit de herramientas de SageMaker formación
