Pilih preferensi cookie Anda

Kami menggunakan cookie penting serta alat serupa yang diperlukan untuk menyediakan situs dan layanan. Kami menggunakan cookie performa untuk mengumpulkan statistik anonim sehingga kami dapat memahami cara pelanggan menggunakan situs dan melakukan perbaikan. Cookie penting tidak dapat dinonaktifkan, tetapi Anda dapat mengklik “Kustom” atau “Tolak” untuk menolak cookie performa.

Jika Anda setuju, AWS dan pihak ketiga yang disetujui juga akan menggunakan cookie untuk menyediakan fitur situs yang berguna, mengingat preferensi Anda, dan menampilkan konten yang relevan, termasuk iklan yang relevan. Untuk menerima atau menolak semua cookie yang tidak penting, klik “Terima” atau “Tolak”. Untuk membuat pilihan yang lebih detail, klik “Kustomisasi”.

Input Kontrak Kontainer

Mode fokus
Input Kontrak Kontainer - Amazon SageMaker AI

Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

Platform Amazon SageMaker Model Monitor memanggil kode penampung Anda sesuai dengan jadwal yang ditentukan. Jika Anda memilih untuk menulis kode kontainer Anda sendiri, variabel lingkungan berikut tersedia. Dalam konteks ini, Anda dapat menganalisis kumpulan data saat ini atau mengevaluasi kendala jika Anda memilih dan memancarkan metrik, jika berlaku.

Variabel lingkungan yang tersedia sama untuk titik akhir real-time dan pekerjaan transformasi batch, kecuali untuk dataset_format variabel. Jika Anda menggunakan titik akhir real-time, dataset_format variabel mendukung opsi berikut:

{\"sagemakerCaptureJson\": {\"captureIndexNames\": [\"endpointInput\",\"endpointOutput\"]}}

Jika Anda menggunakan pekerjaan transformasi batch, dataset_format mendukung opsi berikut:

{\"csv\": {\"header\": [\"true\",\"false\"]}}
{\"json\": {\"line\": [\"true\",\"false\"]}}
{\"parquet\": {}}

Contoh kode berikut menunjukkan set lengkap variabel lingkungan yang tersedia untuk kode kontainer Anda (dan menggunakan dataset_format format untuk titik akhir waktu nyata).

"Environment": { "dataset_format": "{\"sagemakerCaptureJson\": {\"captureIndexNames\": [\"endpointInput\",\"endpointOutput\"]}}", "dataset_source": "/opt/ml/processing/endpointdata", "end_time": "2019-12-01T16: 20: 00Z", "output_path": "/opt/ml/processing/resultdata", "publish_cloudwatch_metrics": "Disabled", "sagemaker_endpoint_name": "endpoint-name", "sagemaker_monitoring_schedule_name": "schedule-name", "start_time": "2019-12-01T15: 20: 00Z" }

Parameter

Nama Parameter Deskripsi
dataset_format

Untuk pekerjaan yang dimulai dari yang MonitoringSchedule didukung olehEndpoint, ini sageMakerCaptureJson dengan indeks penangkapanendpointInput, atauendpointOutput, atau keduanya. Untuk pekerjaan transformasi batch, ini menentukan format data, apakah CSV, JSON, atau Parquet.

dataset_source

Jika Anda menggunakan titik akhir real-time, jalur lokal di mana data yang sesuai dengan periode pemantauan, sebagaimana ditentukan oleh start_time danend_time, tersedia. Pada jalur ini, data tersedia di /{endpoint-name}/{variant-name}/yyyy/mm/dd/hh.

Kami terkadang mengunduh lebih dari yang ditentukan oleh waktu mulai dan akhir. Terserah kode kontainer untuk mengurai data sesuai kebutuhan.

output_path

Jalur lokal untuk menulis laporan output dan file lainnya. Anda menentukan parameter ini dalam CreateMonitoringSchedule permintaan sebagaiMonitoringOutputConfig.MonitoringOutput[0].LocalPath. Itu diunggah ke S3Uri jalur yang ditentukan dalamMonitoringOutputConfig.MonitoringOutput[0].S3Uri.

publish_cloudwatch_metrics

Untuk pekerjaan yang diluncurkan olehCreateMonitoringSchedule, parameter ini diatur keEnabled. Wadah dapat memilih untuk menulis file CloudWatch output Amazon di[filepath].

sagemaker_endpoint_name

Jika Anda menggunakan titik akhir real-time, nama tempat Endpoint pekerjaan terjadwal ini diluncurkan.

sagemaker_monitoring_schedule_name

Nama MonitoringSchedule yang meluncurkan pekerjaan ini.

*sagemaker_endpoint_datacapture_prefix*

Jika Anda menggunakan titik akhir real-time, awalan yang ditentukan dalam DataCaptureConfig parameter. Endpoint Wadah dapat menggunakan ini jika perlu mengakses lebih banyak data secara langsung daripada yang sudah diunduh oleh SageMaker AI di dataset_source jalurnya.

start_time, end_time

Jendela waktu untuk analisis ini berjalan. Misalnya, untuk pekerjaan yang dijadwalkan berjalan pada 05:00 UTC dan pekerjaan yang berjalan pada 20/02/2020,start_time: adalah 2020-02-19T 06:00:00 Z dan: adalah 2020-02-20T 05:00:00 Z end_time

baseline_constraints:

Jalur lokal dari file kendala dasar yang ditentukan dalam. BaselineConfig.ConstraintResource.S3Uri Ini hanya tersedia jika parameter ini ditentukan dalam CreateMonitoringSchedule permintaan.

baseline_statistics

Jalur lokal ke file statistik dasar yang ditentukan dalam. BaselineConfig.StatisticsResource.S3Uri Ini hanya tersedia jika parameter ini ditentukan dalam CreateMonitoringSchedule permintaan. :

PrivasiSyarat situsPreferensi cookie
© 2025, Amazon Web Services, Inc. atau afiliasinya. Semua hak dilindungi undang-undang.