Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
Contoh dan Informasi Lebih Lanjut: Gunakan Algoritma atau Model Anda Sendiri
Buku catatan Jupyter berikut dan informasi tambahan menunjukkan cara menggunakan algoritma Anda sendiri atau model yang telah dilatih sebelumnya dari instance notebook Amazon. SageMaker Untuk tautan ke GitHub repositori dengan Dockerfiles bawaan untuk TensorFlow, MXnet, Chainer, dan PyTorch kerangka kerja dan instruksi tentang menggunakan AWS SDK for Python (Boto3) ModelTrainers untuk menjalankan algoritme pelatihan Anda sendiri di SageMaker AI Learner dan model Anda sendiri di hosting AI, lihat SageMaker Gambar SageMaker AI Docker bawaan untuk pembelajaran mendalam
Pengaturan
-
Buat instance SageMaker buku catatan. Untuk petunjuk tentang cara membuat dan mengakses instance notebook Jupyter, lihat. Instans SageMaker notebook Amazon
-
Buka instance buku catatan yang Anda buat.
-
Pilih tab Contoh SageMaker AI untuk daftar semua notebook contoh SageMaker AI.
-
Buka contoh buku catatan dari bagian F ungsionalitas Lanjutan di instance buku catatan Anda atau dari GitHub menggunakan tautan yang disediakan. Untuk membuka buku catatan, pilih tab Gunakan, lalu pilih Buat salinan.
Model host dilatih dalam Scikit-learn
Untuk mempelajari cara meng-host model yang terlatih Scikit-learn untuk membuat prediksi di SageMaker AI dengan menyuntikkannya ke wadah k-mean dan XGBoost pihak pertama, lihat contoh notebook berikut.
Paket TensorFlow dan Scikit-learn model untuk digunakan dalam SageMaker AI
Untuk mempelajari cara mengemas algoritme yang telah Anda kembangkan TensorFlow dan kerangka kerja scikit-learn untuk pelatihan dan penerapan di lingkungan SageMaker AI, lihat buku catatan berikut. Mereka menunjukkan kepada Anda cara membangun, mendaftarkan, dan menyebarkan container Docker Anda sendiri menggunakan Dockerfiles.
Melatih dan menyebarkan jaringan saraf di SageMaker AI
Untuk mempelajari cara melatih jaringan saraf secara lokal menggunakan MXnet atau TensorFlow, lalu membuat titik akhir dari model terlatih dan menerapkannya di SageMaker AI, lihat buku catatan berikut. Model MXnet dilatih untuk mengenali angka tulisan tangan dari dataset MNIST. TensorFlow Model ini dilatih untuk mengklasifikasikan iris.
Pelatihan menggunakan mode pipa
Untuk mempelajari cara menggunakan Dockerfile untuk membangun wadah yang memanggil train.py script dan menggunakan mode pipa untuk melatih algoritma khusus, lihat buku catatan berikut. Dalam mode pipa, data input ditransfer ke algoritma saat dilatih. Ini dapat mengurangi waktu pelatihan dibandingkan dengan menggunakan mode file.
Bawa model R Anda sendiri
Untuk mempelajari cara menggunakan tambahkan gambar R khusus untuk membangun dan melatih model di buku AWS SMS
catatan, lihat posting blog berikut. Posting blog ini menggunakan contoh R Dockerfile dari perpustakaan SageMaker AI Studio Classic Custom Image Samples.
Perluas PyTorch wadah yang sudah dibuat sebelumnya Gambar
Untuk mempelajari cara memperluas gambar PyTorch kontainer SageMaker AI bawaan saat Anda memiliki persyaratan fungsional tambahan untuk algoritma atau model yang tidak didukung oleh gambar Docker bawaan, lihat buku catatan berikut.
Untuk informasi selengkapnya tentang memperluas wadah, lihat Memperpanjang Pre-built Kontainer.
Melatih dan debug pekerjaan pelatihan pada wadah khusus
Untuk mempelajari cara melatih dan men-debug pekerjaan pelatihan menggunakan SageMaker Debugger, lihat buku catatan berikut. Skrip pelatihan yang disediakan melalui contoh ini menggunakan model K TensorFlow eras ResNet 50 dan dataset CIFAR10. Wadah khusus Docker dibuat dengan skrip pelatihan dan didorong ke Amazon ECR. Saat pekerjaan pelatihan sedang berjalan, Debugger mengumpulkan output tensor dan mengidentifikasi masalah debugging. Dengan alat pustaka smdebug klien, Anda dapat mengatur objek smdebug percobaan yang memanggil pekerjaan pelatihan dan informasi debugging, memeriksa status aturan pelatihan dan Debugger, serta mengambil tensor yang disimpan dalam bucket Amazon S3 untuk menganalisis masalah pelatihan.
