Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
Notebook contoh
Anda dapat mengubah kode pelatihan di lingkungan ruang kerja yang ada dan kode pemrosesan data terkait dan kumpulan data menjadi pekerjaan SageMaker pelatihan. Buku catatan berikut menunjukkan cara menyesuaikan lingkungan, pengaturan pekerjaan, dan lainnya untuk masalah klasifikasi gambar, menggunakan algoritma XGBoost dan Hugging Face.
Notebook quick_start
-
Cara menyesuaikan pengaturan pekerjaan Anda dengan file konfigurasi.
-
Cara memanggil fungsi Python sebagai pekerjaan, secara asinkron.
-
Cara menyesuaikan lingkungan runtime pekerjaan dengan membawa dependensi tambahan.
-
Cara menggunakan dependensi lokal dengan metode fungsi @remote.
Notebook berikut memberikan contoh kode tambahan untuk berbagai jenis masalah ML dan implementasi.
-
Untuk melihat contoh kode untuk menggunakan dekorator @remote untuk masalah klasifikasi gambar, buka buku catatan pytorch_mnist.ipynb
. Masalah klasifikasi ini mengenali angka tulisan tangan menggunakan dataset sampel Modified National Institute of Standards and Technology (MNIST). -
Untuk melihat contoh kode untuk menggunakan dekorator @remote untuk masalah klasifikasi gambar sebelumnya dengan skrip, lihat skrip sampel Pytorch MNIST, train.py. https://github.com/aws/amazon-sagemaker-examples/tree/main/sagemaker-remote-function/pytorch_mnist_sample_script
-
Untuk melihat bagaimana algoritma XGBoost diimplementasikan dengan dekorator @remote: Buka notebook xgboost_abalone.ipynb. https://github.com/aws/amazon-sagemaker-examples/tree/main/sagemaker-remote-function/xgboost_abalone
-
Untuk melihat bagaimana Hugging Face terintegrasi dengan dekorator @remote: Buka notebook hu
ggingface.ipynb.
