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.
SageMaker Le SDK Python fournit la classe générique EstimatorEstimator classe ou de la Estimator.fit méthode SageMaker AI. Les modèles de code suivants montrent les deux manières de spécifier les modes d'entrée.
Pour spécifier le mode d'entrée à l'aide de la classe Estimateur
from sagemaker.estimator import Estimator
from sagemaker.inputs import TrainingInput
estimator = Estimator(
checkpoint_s3_uri='s3://amzn-s3-demo-bucket/checkpoint-destination/',
output_path='s3://amzn-s3-demo-bucket/output-path/',
base_job_name='job-name',
input_mode='File' # Available options: File | Pipe | FastFile
...
)
# Run the training job
estimator.fit(
inputs=TrainingInput(s3_data="s3://amzn-s3-demo-bucket/my-data/train")
)Pour plus d'informations, consultez la classe SageMaker.estimator.Estimator
Pour spécifier le mode de saisie par le biais de la estimator.fit() méthode
from sagemaker.estimator import Estimator
from sagemaker.inputs import TrainingInput
estimator = Estimator(
checkpoint_s3_uri='s3://amzn-s3-demo-bucket/checkpoint-destination/',
output_path='s3://amzn-s3-demo-bucket/output-path/',
base_job_name='job-name',
...
)
# Run the training job
estimator.fit(
inputs=TrainingInput(
s3_data="s3://amzn-s3-demo-bucket/my-data/train",
input_mode='File' # Available options: File | Pipe | FastFile
)
)Pour plus d'informations, consultez la méthode de classe SageMaker.estimator.fit et la méthode sagemaker.inputs
Astuce
Pour en savoir plus sur la façon de configurer Amazon FSx for Lustre ou Amazon EFS avec votre configuration VPC à l'aide des estimateurs du SDK SageMaker Python, consultez la section Utiliser des systèmes de fichiers comme entrées d'apprentissage dans
Astuce
Les intégrations du mode de saisie de données avec Amazon S3, Amazon EFS et FSx pour Lustre sont des méthodes recommandées pour configurer de manière optimale la source de données conformément aux meilleures pratiques. Vous pouvez améliorer de manière stratégique les performances de chargement des données à l'aide des options de stockage et des modes de saisie gérés par l' SageMaker IA, mais ce n'est pas strictement limité. Vous pouvez écrire votre propre logique de lecture de données directement dans votre conteneur d'entraînement. Par exemple, vous pouvez configurer pour lire à partir d'une source de données différente, écrire votre propre classe de chargeur de données S3 ou utiliser les fonctions de chargement de données de cadres tiers dans votre script d'entraînement. Cependant, vous devez vous assurer de spécifier les bons chemins que l' SageMaker IA peut reconnaître.
Astuce
Si vous utilisez un conteneur de formation personnalisé, assurez-vous d'installer la boîte à outils de SageMaker formation
Pour plus d'informations sur la façon de définir les modes de saisie des données à l'aide du bas niveau SageMaker APIsComment Amazon SageMaker AI fournit des informations de formation, consultez l'CreateTrainingJobAPI et le TrainingInputMode in AlgorithmSpecification.
