Gunakan Algoritma untuk Menjalankan Training Job - Amazon SageMaker
Menggunakan Algoritma untuk Menjalankan Training Job (Console)Menggunakan Algoritma untuk Menjalankan Training Job (API)Menggunakan Algoritma untuk Menjalankan Training Job (Amazon SageMaker Python SDK)

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

Gunakan Algoritma untuk Menjalankan Training Job

Anda dapat membuat menggunakan sumber daya algoritme untuk membuat pekerjaan pelatihan dengan menggunakan SageMaker konsol Amazon, SageMaker API Amazon tingkat rendah, atau SDK Amazon SageMaker Python.

Menggunakan Algoritma untuk Menjalankan Training Job (Console)

Untuk menggunakan algoritma untuk menjalankan pekerjaan pelatihan (konsol)

  1. Buka SageMaker konsol di https://console.aws.amazon.com/sagemaker/.

  2. Pilih Algoritma.

  3. Pilih algoritme yang Anda buat dari daftar di tab Algoritma saya atau pilih algoritme yang Anda langgani di tab AWS Marketplace langganan.

  4. Pilih Buat pekerjaan pelatihan.

    Algoritma yang Anda pilih akan dipilih secara otomatis.

  5. Pada halaman Buat pekerjaan pelatihan, berikan informasi berikut:

    1. Untuk nama Job, ketikkan nama untuk pekerjaan pelatihan.

    2. Untuk peran IAM, pilih peran IAM yang memiliki izin yang diperlukan untuk menjalankan pekerjaan pelatihan SageMaker, atau pilih Buat peran baru SageMaker untuk memungkinkan membuat peran yang memiliki kebijakan AmazonSageMakerFullAccess terkelola yang dilampirkan. Untuk informasi, lihat Cara menggunakan peran SageMaker eksekusi.

    3. Untuk konfigurasi Sumber Daya, berikan informasi berikut:

      1. Untuk tipe Instance, pilih jenis instance yang akan digunakan untuk pelatihan.

      2. Untuk jumlah Instans, ketikkan jumlah instans ML yang akan digunakan untuk pekerjaan pelatihan.

      3. Untuk Volume tambahan per instans (GB), ketikkan ukuran volume penyimpanan ML yang ingin Anda berikan. Volume penyimpanan ML menyimpan artefak model dan status inkremental.

      4. Untuk kunci Enkripsi, jika Anda SageMaker ingin Amazon menggunakan kunci Layanan Manajemen AWS Kunci untuk mengenkripsi data dalam volume penyimpanan ML yang dilampirkan ke instance pelatihan, tentukan kuncinya.

      5. Untuk kondisi Berhenti, tentukan jumlah waktu maksimum dalam detik, menit, jam, atau hari, yang Anda inginkan untuk menjalankan pekerjaan pelatihan.

    4. Untuk VPC, pilih VPC Amazon yang ingin Anda izinkan untuk diakses oleh wadah pelatihan Anda. Untuk informasi selengkapnya, lihat Berikan Akses Pekerjaan SageMaker Pelatihan ke Sumber Daya di VPC Amazon Anda.

    5. Untuk Hyperparameters, tentukan nilai hyperparameters yang akan digunakan untuk pekerjaan pelatihan.

    6. Untuk konfigurasi data input, tentukan nilai berikut untuk setiap saluran data input yang akan digunakan untuk pekerjaan pelatihan. Anda dapat melihat saluran algoritme yang Anda gunakan untuk dukungan pelatihan, dan jenis konten, jenis kompresi yang didukung, dan mode input yang didukung untuk setiap saluran, di bawah bagian Spesifikasi saluran pada halaman ringkasan Algoritma untuk algoritme.

      1. Untuk nama Saluran, ketik nama saluran input.

      2. Untuk tipe Konten, ketikkan tipe konten data yang diharapkan algoritme untuk saluran tersebut.

      3. Untuk jenis Kompresi, pilih jenis kompresi data yang akan digunakan, jika ada.

      4. Untuk Record wrapper, pilih RecordIO apakah algoritma mengharapkan data dalam format. RecordIO

      5. Untuk tipe data S3, tipe distribusi data S3, dan lokasi S3, tentukan nilai yang sesuai. Untuk informasi tentang arti nilai-nilai ini, lihat S3DataSource.

      6. Untuk mode Input, pilih File untuk mengunduh data dari ke volume penyimpanan ML yang disediakan, dan pasang direktori ke volume Docker. Pilih Pipe Untuk mengalirkan data langsung dari Amazon S3 ke wadah.

      7. Untuk menambahkan saluran input lain, pilih Tambah saluran. Jika Anda selesai menambahkan saluran input, pilih Selesai.

    7. Untuk lokasi Output, tentukan nilai berikut:

      1. Untuk jalur keluaran S3, pilih lokasi S3 tempat pekerjaan pelatihan menyimpan output, seperti artefak model.

        catatan

        Anda menggunakan artefak model yang disimpan di lokasi ini untuk membuat model atau paket model dari pekerjaan pelatihan ini.

      2. Untuk kunci Enkripsi, jika Anda SageMaker ingin menggunakan AWS KMS kunci untuk mengenkripsi data keluaran saat istirahat di lokasi S3.

    8. Untuk Tag, tentukan satu atau beberapa tag untuk mengelola pekerjaan pelatihan. Setiap tanda terdiri dari kunci dan nilai opsional. Kunci tanda harus unik untuk setiap sumber daya.

    9. Pilih Buat pekerjaan pelatihan untuk menjalankan pekerjaan pelatihan.

Menggunakan Algoritma untuk Menjalankan Training Job (API)

Untuk menggunakan algoritme untuk menjalankan tugas pelatihan menggunakan SageMaker API, tentukan nama atau Nama Sumber Daya Amazon (ARN) sebagai AlgorithmName bidang AlgorithmSpecificationobjek yang Anda kirim. CreateTrainingJob Untuk informasi tentang model pelatihan di SageMaker, lihatLatih Model dengan Amazon SageMaker.

Menggunakan Algoritma untuk Menjalankan Training Job (Amazon SageMaker Python SDK)

Gunakan algoritme yang Anda buat atau berlangganan AWS Marketplace untuk membuat pekerjaan pelatihan, buat AlgorithmEstimator objek, dan tentukan Nama Sumber Daya Amazon (ARN) atau nama algoritme sebagai nilai algorithm_arn argumen. Kemudian panggil fit metode estimator. Sebagai contoh:

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})