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.
Utilisation d'un algorithme pour exécuter une tâche d'entraînement
Vous pouvez créer une ressource d'algorithme pour créer une tâche de formation à l'aide de la SageMaker console Amazon, de l' SageMaker API Amazon de bas niveau ou du SDK Amazon SageMaker Python
Rubriques
Utilisation d'un algorithme pour exécuter une tâche d'entraînement (console)
Pour utiliser un algorithme afin d'exécuter une tâche d'entraînement (console)
-
Ouvrez la SageMaker console à l'adresse https://console.aws.amazon.com/sagemaker/
. -
Choisissez Algorithmes.
-
Choisissez un algorithme que vous avez créé dans la liste de l'onglet My algorithms (Mes algorithmes) ou choisissez un algorithme auquel vous vous êtes abonné sur l'onglet des abonnements AWS Marketplace .
-
Choisissez Create training job (Créer une tâche d'entraînement).
L'algorithme que vous avez choisi sera automatiquement sélectionné.
-
Sur la page Créer une tâche d'entraînement, fournissez les informations suivantes :
-
Sous Nom de la tâche, nommez la tâche d'entraînement.
-
Pour le rôle IAM, choisissez un rôle IAM disposant des autorisations requises pour exécuter des tâches de formation SageMaker, ou choisissez Créer un nouveau rôle pour autoriser la création SageMaker d'un rôle auquel la politique
AmazonSageMakerFullAccess
gérée est attachée. Pour plus d'informations, veuillez consulter Comment utiliser les rôles SageMaker d'exécution. -
Sous Configuration des ressources, fournissez les informations suivantes :
-
Sous Type d'instance, choisissez le type d'instance à utiliser pour l'entraînement.
-
Sous Nombre d'instances, saisissez le nombre d'instances ML à utiliser pour la tâche d'entraînement.
-
Sous Taille du volume par instance (Go), entrez la taille du volume de stockage ML que vous souhaitez allouer. Les volumes de stockage ML stockent les artefacts de modèles et les états incrémentiels.
-
Pour la clé de chiffrement, si vous souhaitez qu'Amazon SageMaker utilise une AWS clé du service de gestion des clés pour chiffrer les données du volume de stockage ML attaché à l'instance de formation, spécifiez la clé.
-
Sous Condition d'arrêt, spécifiez la durée maximale, en secondes, en minutes, en heures ou en jours, pendant laquelle doit s'exécuter la tâche d'entraînement.
-
-
Sous VPC, choisissez un Amazon VPC auquel votre conteneur d'entraînement pourra accéder. Pour plus d’informations, consultez Donnez aux postes de SageMaker formation l'accès aux ressources de votre Amazon VPC.
-
Sous Hyperparamètres, spécifiez les valeurs des hyperparamètres à utiliser pour la tâche d'entraînement.
-
Sous Configuration des données d'entrée, spécifiez les valeurs suivantes pour chaque canal de données d'entrée à utiliser pour la tâche d'entraînement. Les canaux pris en charge par l'algorithme que vous utilisez pour le support d'entraînement, le type de contenu, le type de compression pris en charge et les modes d'entrée pris en charge pour chaque canal sont visibles sous la section Channel spécification (Spécification de canal) de la page Algorithm summary (Récapitulatif d'algorithme) de l'algorithme.
-
Dans le champ Nom du canal, saisissez le nom du canal d'entrée.
-
Sous Type de contenu, saisissez le type de contenu des données attendu par l'algorithme pour le canal.
-
Sous Type de compression, choisissez le type de compression des données à utiliser, le cas échéant.
-
Sous Habillage des enregistrements, choisissez
RecordIO
si l'algorithme attend des données au formatRecordIO
. -
Sous Type de données S3, Type de distribution de données S3 et Emplacement S3, spécifiez les valeurs appropriées. Pour obtenir des informations sur la signification de ces valeurs, consultez
S3DataSource
. -
Sous Mode d'entrée, choisissez Fichier afin de télécharger les données depuis le volume de stockage ML alloué et montez le répertoire dans un volume Docker. Choisissez Pipe (Tube) pour diffuser directement les données d'Amazon S3 vers le conteneur.
-
Pour ajouter un autre canal d'entrée, choisissez Ajouter canal. Si vous avez terminé d'ajouter des canaux d'entrée, choisissez Terminé.
-
-
Sous l'emplacement Sortie, spécifiez les valeurs suivantes :
-
Sous Chemin de sortie S3, choisissez l'emplacement S3 où la tâche d'entraînement stocke la sortie, tels les artefacts de modèles.
Note
Vous utilisez les artefacts de modèles stockés à cet emplacement pour créer un modèle ou un package de modèle à partir de cette tâche d'entraînement.
-
Pour la clé de chiffrement, si vous SageMaker souhaitez utiliser une AWS KMS clé pour chiffrer les données de sortie au repos dans l'emplacement S3.
-
-
Sous Balises, spécifiez une ou plusieurs balises permettant de gérer la tâche d'entraînement. Chaque balise est constituée d’une clé et d’une valeur facultative. Les clés de balise doivent être uniques à chaque ressource.
-
Choisissez Créer une tâche d'entraînement afin d'exécuter la tâche d'entraînement.
-
Utilisation d'un algorithme pour exécuter une tâche d'entraînement (API)
Pour utiliser un algorithme afin d'exécuter une tâche de formation à l'aide de l' SageMaker API, spécifiez le nom ou l'Amazon Resource Name (ARN) comme AlgorithmName
champ de l'AlgorithmSpecification
objet auquel vous passez CreateTrainingJob
. Pour plus d'informations sur les modèles de formation dans SageMaker, voirEntraînez un modèle avec Amazon SageMaker.
Utiliser un algorithme pour exécuter une tâche de formation (Amazon SageMaker Python SDK )
Utilisez un algorithme que vous avez créé ou auquel vous vous êtes abonné AWS Marketplace pour créer une tâche de formation, créer un AlgorithmEstimator
objet et spécifier le nom de la ressource Amazon (ARN) ou le nom de l'algorithme comme valeur de l'algorithm_arn
argument. Appelez ensuite la méthode fit
de l'évaluateur. Par exemple :
from sagemaker import AlgorithmEstimator data_path = os.path.join(DATA_DIR, 'marketplace', 'training') algo = AlgorithmEstimator( algorithm_arn='arn:aws:sagemaker:us-east-2:012345678901:algorithm/my-algorithm', role='SageMakerRole', instance_count=1, instance_type='ml.c4.xlarge', sagemaker_session=sagemaker_session, base_job_name='test-marketplace') train_input = algo.sagemaker_session.upload_data( path=data_path, key_prefix='integ-test-data/marketplace/train') algo.fit({'training': train_input})