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.
Accès aux images Docker pour Scikit-learn et Spark ML
SageMaker fournit des images Docker prédéfinies qui installent les bibliothèques scikit-learn et Spark ML. Ces bibliothèques incluent également les dépendances nécessaires pour créer des images Docker compatibles avec SageMaker l'utilisation d'Amazon SageMaker Python SDK
Vous pouvez également accéder aux images depuis un ECR référentiel Amazon dans votre propre environnement.
Utilisez les commandes suivantes pour connaître les versions d'images disponibles. Par exemple, utilisez les éléments suivants pour rechercher l'image sagemaker-sparkml-serving
disponible dans la région ca-central-1
:
aws \ ecr describe-images \ --region ca-central-1 \ --registry-id 341280168497 \ --repository-name sagemaker-sparkml-serving
Accès à une image depuis le SageMaker Python SDK
Le tableau suivant contient des liens vers les GitHub référentiels contenant le code source des conteneurs scikit-learn et Spark ML. Le tableau contient également des liens vers des instructions qui montrent comment utiliser ces conteneurs avec des SDK estimateurs Python pour exécuter vos propres algorithmes d'entraînement et héberger vos propres modèles.
d'outils | Code source de l'image Docker préconçue | Instructions |
---|---|---|
scikit-learn |
Utilisation de Scikit-learn avec Amazon Python SageMaker SDK |
|
Spark ML |
Pour plus d'informations et des liens vers des référentiels github, consultez Ressources pour utiliser Scikit-learn avec Amazon SageMaker et Ressources pour utiliser SparkML Serving avec Amazon SageMaker.
Spécification manuelle des images préconçues
Si vous n'utilisez pas le SageMaker Python SDK et l'un de ses estimateurs pour gérer le conteneur, vous devez récupérer manuellement le conteneur préconstruit correspondant. Les images SageMaker Docker prédéfinies sont stockées dans Amazon Elastic Container Registry (AmazonECR). Vous pouvez les envoyer ou les extraire en utilisant leur adresse de registre complète. SageMaker utilise les URL modèles Docker Image suivants pour scikit-learn et Spark ML :
-
<ACCOUNT_ID>
.dkr.ecr.<REGION_NAME>
.amazonaws.com/sagemaker-scikit-learn:<SCIKIT-LEARN_VERSION>
-cpu-py<PYTHON_VERSION>
Par exemple,
746614075791
.dkr.ecr.us-west-1
.amazonaws.com/sagemaker-scikit-learn:1.2-1-cpu-py3
-
<ACCOUNT_ID>
.dkr.ecr.<REGION_NAME>
.amazonaws.com/sagemaker-sparkml-serving:<SPARK-ML_VERSION>
Par exemple,
341280168497
.dkr.ecr.ca-central-1
.amazonaws.com/sagemaker-sparkml-serving:2.4
Pour les noms de compte IDs et de AWS région, consultez les chemins de registre Docker et les exemples de code.