Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.

Exemples et informations supplémentaires : utilisez votre propre algorithme ou modèle

Les blocs-notes Jupyter suivants et les informations complémentaires montrent comment utiliser vos propres algorithmes ou des modèles préentraînés à partir d'une instance de bloc-notes Amazon. SageMaker Pour des liens vers les GitHub référentiels contenant les Dockerfiles prédéfinis pour les PyTorch frameworks TensorFlow, MXNet, Chainer et des instructions sur leur utilisation pour exécuter vos propres algorithmes d'entraînement sur SageMaker AI Learner et vos propres modèles sur l'hébergement AI, voir AWS SDK for Python (Boto3) ModelTrainers SageMaker Images SageMaker AI Docker prédéfinies pour l'apprentissage en profondeur

Configuration

Modèles hôtes formés à Scikit-learn

Pour savoir comment héberger des modèles entraînés à faire Scikit-learn des prédictions en SageMaker IA en les injectant dans des conteneurs k-means et XGBoost propriétaires, consultez les exemples de blocs-notes suivants.

Package TensorFlow et Scikit-learn modèles à utiliser dans l' SageMaker IA

Pour savoir comment empaqueter des algorithmes que vous avez développés TensorFlow et des frameworks Scikit-learn pour la formation et le déploiement dans un environnement d' SageMaker IA, consultez les blocs-notes suivants. Ils vous expliquent comment créer, enregistrer et déployer vos propres conteneurs Docker à l’aide de Dockerfiles.

Entraînez et déployez un réseau neuronal sur l' SageMaker IA

Pour savoir comment entraîner un réseau neuronal localement à l'aide de MXNet ou TensorFlow, puis créer un point de terminaison à partir du modèle entraîné et le déployer sur l' SageMaker IA, consultez les blocs-notes suivants. Le modèle MXNet est formé à reconnaître les nombres manuscrits à partir du jeu de données MNIST. Le TensorFlow modèle est entraîné pour classer les iris.

Entraînement en mode Pipe

Pour apprendre à utiliser un fichier Dockerfile pour générer un conteneur qui appelle le train.py script et qui utilise le mode Pipe pour entraîner de façon personnalisée un algorithme, consultez le bloc-notes suivant. En mode Pipe, les données d’entrée sont transférées à l’algorithme pendant sa formation. Cela peut diminuer la durée de l’entraînement par rapport à l’utilisation du mode File.

Apport de votre propre modèle R

Pour découvrir comment utiliser l’ajout d’une image R personnalisée pour créer et entraîner un modèle dans un bloc-notes AWS SMS , consultez le billet de blog suivant. Ce billet de blog utilise un exemple de Dockerfile R issu d'une bibliothèque d'exemples d'images personnalisés SageMaker AI Studio Classic.

Étendre une image de PyTorch conteneur prédéfinie

Pour savoir comment étendre une image de PyTorch conteneur SageMaker AI prédéfinie lorsque vous avez des exigences fonctionnelles supplémentaires pour votre algorithme ou votre modèle que l'image Docker prédéfinie ne prend pas en charge, consultez le bloc-notes suivant.

Pour plus d'informations sur l'extension d'un conteneur, voir Étendre un Pre-built conteneur.

Entraînement et débogage des tâches d’entraînement sur un conteneur personnalisé

Pour savoir comment entraîner et déboguer des tâches de formation à l'aide de SageMaker Debugger, consultez le bloc-notes suivant. Un script d'entraînement fourni dans cet exemple utilise le modèle TensorFlow Keras ResNet 50 et le jeu de données CIFAR10. Un conteneur personnalisé Docker est créé avec le script d’entraînement, puis transmis à Amazon ECR. Pendant que la tâche d’entraînement s’exécute, Debugger collecte les sorties des tenseurs et identifie les problèmes de débogage. Avec les outils de la bibliothèque client smdebug, vous pouvez définir un objet test smdebug qui appelle la tâche d’entraînement et les informations de débogage, vérifie l’état de l’entraînement et de la règle de débogage, et récupère les tenseurs enregistrés dans un compartiment Amazon S3 afin d’analyser les problèmes d’entraînement.