Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
Gunakan estimator SageMaker generik untuk memperluas wadah yang sudah dibuat sebelumnya DLC
Anda dapat menyesuaikan kontainer SageMaker bawaan atau memperluasnya untuk menangani persyaratan fungsional tambahan apa pun untuk algoritme atau model Anda yang tidak didukung oleh image SageMaker Docker bawaan. Untuk contoh bagaimana Anda dapat memperluas kontainer pra-bangun, lihat Memperluas Kontainer Prebuilt.
Untuk memperluas wadah bawaan atau menyesuaikan wadah Anda sendiri untuk menggunakan pustaka, Anda harus menggunakan salah satu gambar yang tercantum di dalamnyaKerangka kerja yang didukung.
catatan
Dari TensorFlow 2.4.1 dan PyTorch 1.8.1, SageMaker framework DLCs mendukung jenis instans EFA yang diaktifkan. Kami menyarankan Anda menggunakan DLC gambar yang berisi TensorFlow 2.4.1 atau yang lebih baru dan PyTorch 1.8.1 atau yang lebih baru.
Misalnya, jika Anda menggunakan PyTorch, Dockerfile Anda harus berisi FROM pernyataan yang mirip dengan berikut ini:
# SageMaker PyTorch image FROM 763104351884.dkr.ecr.<aws-region>.amazonaws.com/pytorch-training:<image-tag>ENV PATH="/opt/ml/code:${PATH}" # this environment variable is used by the SageMaker PyTorch container to determine our user code directory. ENV SAGEMAKER_SUBMIT_DIRECTORY /opt/ml/code # /opt/ml and all subdirectories are utilized by SageMaker, use the /code subdirectory to store your user code. COPYtrain.py/opt/ml/code/train.py # Defines cifar10.py as script entrypoint ENV SAGEMAKER_PROGRAMtrain.py
Anda dapat lebih lanjut menyesuaikan wadah Docker Anda sendiri untuk bekerja dengan SageMaker menggunakan toolkit SageMaker Pelatihan
