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.
Introducción a Neo en dispositivos periféricos
En esta guía para empezar a utilizar Amazon SageMaker Neo, se muestra cómo compilar un modelo, configurar el dispositivo y hacer inferencias en el dispositivo. La mayoría de los ejemplos de código utilizan Boto3. Proporcionamos los comandos que AWS CLI se utilizan cuando corresponde, así como instrucciones sobre cómo cumplir los requisitos previos de Neo.
nota
Puede ejecutar los siguientes fragmentos de código en su máquina local, en un SageMaker bloc de notas, en SageMaker Studio o (según el dispositivo perimetral) en su dispositivo perimetral. La configuración es similar; sin embargo, hay dos excepciones principales si ejecutas esta guía en una instancia de SageMaker notebook o en una sesión de SageMaker Studio:
-
No es necesario instalar Boto3.
-
No es necesario añadir la política de IAM
‘AmazonSageMakerFullAccess’
En esta guía se supone que está ejecutando las siguientes instrucciones en su dispositivo periférico.
Requisitos previos
-
Instalación de Boto3
Si ejecuta estos comandos en su dispositivo periférico, debe instalar AWS SDK for Python (Boto3). En un entorno Python (preferiblemente un entorno virtual), ejecute lo siguiente localmente en el terminal de su dispositivo periférico o en una instancia de cuaderno de Jupyter:
-
Configura AWS las credenciales
Debe configurar las credenciales de Amazon Web Services en su dispositivo para ejecutar SDK for Python (Boto3). De forma predeterminada, las AWS credenciales deben almacenarse en el archivo
~/.aws/credentials
del dispositivo perimetral. En el archivo de credenciales, debe ver dos variables de entorno:aws_access_key_id
yaws_secret_access_key
.En su terminal, ejecute:
$ more ~/.aws/credentials [default] aws_access_key_id =
YOUR_ACCESS_KEY
aws_secret_access_key =YOUR_SECRET_KEY
La Guía de referencia general AWS contiene instrucciones sobre cómo obtener las
aws_access_key_id
yaws_secret_access_key
necesarias. Para obtener más información sobre cómo configurar las credenciales en su dispositivo, consulte la documentación de Boto3. -
Configure un rol de IAM y asocie políticas.
Neo necesita acceder al URI del bucket de S3. Cree un rol de IAM que pueda ejecutarse SageMaker y tenga permiso para acceder al URI de S3. Puede crear un rol de IAM mediante el SDK para Python (Boto3), la consola o AWS CLI. El siguiente ejemplo ilustra cómo crear un rol de IAM mediante SDK for Python (Boto3):
import boto3 AWS_REGION =
'aws-region'
# Create an IAM client to interact with IAM iam_client = boto3.client('iam', region_name=AWS_REGION) role_name ='role-name'
Para obtener más información sobre cómo crear un rol de IAM con la consola o mediante la AWS API AWS CLI, consulte Crear un usuario de IAM en su cuenta. AWS
Cree un diccionario que describa la política de IAM que va a asociar. Esta política se utiliza para crear un nuevo rol de IAM.
policy = { 'Statement': [ { 'Action': 'sts:AssumeRole', 'Effect': 'Allow', 'Principal': {'Service': 'sagemaker.amazonaws.com'}, }], 'Version': '2012-10-17' }
Cree un nuevo rol de IAM con la política que definió anteriormente:
import json new_role = iam_client.create_role( AssumeRolePolicyDocument=json.dumps(policy), Path='/', RoleName=role_name )
Necesitará saber cuál es su nombre de recurso de Amazon (ARN) cuando cree un trabajo de compilación en un paso posterior, así que guárdelo también en una variable.
role_arn = new_role['Role']['Arn']
Ahora que ha creado un nuevo rol, adjunte los permisos que necesita para interactuar con Amazon SageMaker y Amazon S3:
iam_client.attach_role_policy( RoleName=role_name, PolicyArn='arn:aws:iam::aws:policy/AmazonSageMakerFullAccess' ) iam_client.attach_role_policy( RoleName=role_name, PolicyArn='arn:aws:iam::aws:policy/AmazonS3FullAccess' );
-
Cree un bucket de Amazon S3 para almacenar los artefactos de sus modelos
SageMaker Neo accederá a los artefactos de sus modelos desde Amazon S3
-
Formación de un modelo de machine learning
Consulta Train a Model with Amazon SageMaker para obtener más información sobre cómo entrenar un modelo de aprendizaje automático con Amazon SageMaker. Si lo desea, puede cargar su modelo formado a nivel local directamente en un bucket de URI de Amazon S3.
nota
Asegúrese de que el modelo tenga el formato correcto en función del marco que haya utilizado. Consulta ¿Qué formas de datos de entrada espera SageMaker Neo?
Si aún no tiene un modelo, utilice el
curl
comando para obtener una copia local TensorFlow delcoco_ssd_mobilenet
modelo en el sitio web. El modelo que acaba de copiar es un modelo de detección de objetos formado a partir del conjunto de datos COCO. Escribe lo siguiente en su cuaderno de Jupyter: model_zip_filename = './coco_ssd_mobilenet_v1_1.0.zip' !curl http://storage.googleapis.com/download.tensorflow.org/models/tflite/coco_ssd_mobilenet_v1_1.0_quant_2018_06_29.zip \ --output {model_zip_filename}
Tenga en cuenta que este ejemplo en particular se empaquetó en un archivo .zip. Descomprima este archivo y vuelva a empaquetarlo como un archivo tar comprimido (
.tar.gz
) antes de usarlo en pasos posteriores. Escribe lo siguiente en su cuaderno de Jupyter:# Extract model from zip file !unzip -u {model_zip_filename} model_filename = 'detect.tflite' model_name = model_filename.split('.')[0] # Compress model into .tar.gz so SageMaker Neo can use it model_tar = model_name + '.tar.gz' !tar -czf {model_tar} {model_filename}
-
Cargue el modelo formado en un bucket de S3
Una vez que tenga un modelo de machine learning, guárdelo en un bucket de Amazon S3.