Kompilasi Model (Amazon SageMakerSDK) - Amazon SageMaker

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

Kompilasi Model (Amazon SageMakerSDK)

Anda dapat menggunakan compile_modelAPIdi Amazon SageMaker SDK untuk Python untuk mengkompilasi model terlatih dan mengoptimalkannya untuk perangkat keras target tertentu. APIHarus dipanggil pada objek estimator yang digunakan selama pelatihan model.

catatan

Anda harus mengatur variabel MMS_DEFAULT_RESPONSE_TIMEOUT lingkungan 500 saat mengkompilasi model dengan MXNet atau PyTorch. Variabel lingkungan tidak diperlukan untuk TensorFlow.

Berikut ini adalah contoh bagaimana Anda dapat mengkompilasi model menggunakan trained_model_estimator objek: 

# Replace the value of expected_trained_model_input below and
# specify the name & shape of the expected inputs for your trained model
# in json dictionary form
expected_trained_model_input = {'data':[1, 784]}

# Replace the example target_instance_family below to your preferred target_instance_family
compiled_model = trained_model_estimator.compile_model(target_instance_family='ml_c5',
        input_shape=expected_trained_model_input,
        output_path='insert s3 output path',
        env={'MMS_DEFAULT_RESPONSE_TIMEOUT': '500'})

Kode mengkompilasi model, menyimpan model yang dioptimalkan dioutput_path, dan membuat SageMaker model yang dapat digunakan ke titik akhir. Contoh notebook menggunakan SDK untuk Python disediakan di bagian Notebook Contoh Kompilasi Model Neo.