Utiliza la formación incremental en Amazon SageMaker

Para realizar una capacitación incremental (consola)

1. Abre la SageMaker consola de Amazon en https://console.aws.amazon.com/sagemaker/.

2. En el panel de navegación, elija Entrenamiento; a continuación, elija Trabajos de entrenamiento.

3. Elija Crear trabajo de entrenamiento.

4. Proporcione un nombre para el trabajo de entrenamiento. El nombre debe ser único en una AWS región de la AWS cuenta. El trabajo de capacitación nombre debe tener entre 1 y 63 caracteres. Los caracteres válidos son: a-z, A-Z, 0-9 y . : + = @ _ % - (guion).

5. Elija el algoritmo que desee usar. Para obtener información acerca de algoritmos, consulte Algoritmos integrados y modelos previamente entrenados en Amazon SageMaker.

6. (Opcional) Para Configuración de recursos, deje los valores predeterminados o aumente el consumo de recursos para reducir el tiempo de cálculo.

   1. (Opcional) En Tipo de instancia, elija el tipo de instancia de computación de machine learning que desea utilizar. En la mayoría de los casos, ml.m4.xlarge es suficiente.

   2. En Recuento de instancias, use el valor predeterminado 1.

   3. (Opcional) En Volumen adicional por instancia (GB), elija el tamaño del volumen de almacenamiento de machine learning que desea aprovisionar. En la mayoría de los casos, puede usar el valor predeterminado, que es 1. Si usa un conjunto de datos voluminoso, utilice un tamaño más grande.

7. Proporcione información sobre los datos de entrada para el conjunto de datos de capacitación.

   1. Para Nombre de canal, deje el valor predeterminado (train) o escriba un nombre más significativo para el conjunto de datos de entrenamiento, como por ejemplo expanded-training-dataset.

   2. Para InputMode, elija Archivo. Para capacitaciones incrementales, debe utilizar el modo de entrada de archivos.

   3. Para el tipo de distribución de datos S3, elija FullyReplicated. Esto hace que cada instancia de computación de machine learning use una replicación completa del conjunto de datos ampliado al realizar entrenamientos incrementales.

   4. Si el conjunto de datos ampliado no está comprimido, establezca el Tipo de compresión en Ninguno. Si el conjunto de datos ampliado se comprime utilizando Gzip, establézcalo en Gzip.

   5. (Opcional) Si utiliza el modo de entrada de archivos, deje Tipo de contenido vacío. Para el modo de entrada de canalización, especifique el tipo MIME adecuado. El Tipo de contenido es el tipo de extensiones multipropósito de correo Internet (MIME) de los datos.

   6. Para Contenedor de registros, si el conjunto de datos se guarda en formato RecordIO, elija RecordIO. Si su conjunto de datos no se guarda como archivo con formato RecordIO, elija Ninguno.

   7. Para Tipo de datos de S3, si el conjunto de datos se almacena como archivo único, elija S3Prefix. Si el conjunto de datos se almacena como varios archivos en una carpeta, elija Manifiesto.

   8. Para Ubicación de S3, proporcione la dirección URL a la ruta donde ha almacenado el conjunto de datos ampliado.

   9. Seleccione Listo.

8. Para utilizar artefactos de modelos en un trabajo de capacitación, tiene que añadir un nuevo canal y proporcionar la información necesaria sobre los artefactos de modelo.

   1. Para Configuración de datos de entrada, seleccione Agregar canal.

   2. Para Nombre de canal, escriba model para identificar este canal como el origen de los artefactos de modelo.

   3. Para InputMode, elija Archivo. Los artefactos de modelo se almacenan como archivos.

   4. Para el tipo de distribución de datos S3, elija FullyReplicated. Esto indica que cada instancia de computación de machine learning debe utilizar todos los artefactos de modelos para el entrenamiento.

   5. Para Tipo de compresión, seleccione Ninguno ya que estamos utilizando un modelo para el canal.

   6. Deje Tipo de contenido vacío. El Tipo de contenido es el tipo de extensiones multipropósito de correo Internet (MIME) de los datos. Para los artefactos de los modelos, lo dejamos vacío.

   7. Establezca Contenedor de registros en Ninguno porque los artefactos de modelos no se almacenan en formato RecordIO.

   8. Para Tipo de datos de S3, si está utilizando un algoritmo integrado o un algoritmo que almacena el modelo como único archivo, elija S3Prefix. Si utiliza un algoritmo que almacena el modelo como varios archivos, elija Manifiesto.

   9. Para Ubicación de S3, proporcione la dirección URL a la ruta donde ha almacenado los artefactos del modelo. Normalmente, el modelo se almacena con el nombre model.tar.gz. Para encontrar la dirección URL de los artefactos del modelo, en el panel de navegación, haga clic en Inferencia y luego elija Modelos. En la lista de modelos, elija un modelo para mostrar su página de detalles. La dirección URL de los artefactos del modelo se muestra en Contenedor principal.

   10. Seleccione Listo.

9. En Configuración de datos de salida, proporcione la siguiente información:

   1. En Ubicación de S3, escriba la ruta al bucket de S3 donde desea almacenar los datos de salida.

   2. (Opcional) En Clave de cifrado, puede añadir su clave de cifrado AWS Key Management Service (AWS KMS) para cifrar los datos de salida en reposo. Proporcione el ID de clave o su número de recurso de Amazon (ARN). Para obtener más información, consulte Claves de cifrado administradas por KMS.

10. (Opcional) En Etiquetas, agregue una o más etiquetas al trabajo de entrenamiento. Una etiqueta son los metadatos que puede definir y asignar a los recursos de AWS . En este caso, puede usar las etiquetas para ayudarle a administrar sus trabajos de capacitación. Una etiqueta consta de una clave y un valor que define el usuario. Por ejemplo, es posible que desee crear una etiqueta con Project como una clave y un valor haciendo referencia a un proyecto que está relacionado con el trabajo de capacitación como, por ejemplo, Home value forecasts.

11. Elija Crear trabajo de formación. SageMaker crea y ejecuta un trabajo de formación.