Creazione di un modello addestrato in AWS Clean Rooms ML

Prerequisiti:

E con accesso a Account AWS AWS Clean Rooms
Una collaborazione istituita in AWS Clean Rooms
Un modello di algoritmo configurato associato alla collaborazione
Almeno un canale di ingresso ML configurato
Autorizzazioni appropriate per creare e gestire modelli ML nella collaborazione

Dopo aver associato l'algoritmo del modello configurato a una collaborazione, quindi creato e configurato un canale di ingresso ML, sei pronto per creare un modello addestrato. Un modello addestrato viene utilizzato dai membri di una collaborazione per analizzare congiuntamente i propri dati.

È possibile creare un modello addestrato utilizzando la procedura seguente.

In alternativa, è possibile utilizzare l'addestramento incrementale per migliorare un modello esistente con nuovi dati o il training distribuito per addestrare i modelli su più istanze di calcolo.

Argomenti

Console

Per creare un modello addestrato (console)

Accedi Console di gestione AWS e apri la AWS Clean Rooms console all'indirizzo https://console.aws.amazon.com/cleanrooms.
Nel riquadro di navigazione a sinistra, scegli Collaborazioni.
Nella pagina Collaborazioni, scegli la collaborazione in cui desideri creare un modello addestrato.
Dopo l'apertura della collaborazione, scegli la scheda Modelli ML.
In Modelli ML personalizzati, nella sezione Modelli addestrati, scegli Crea modello addestrato.
Nella pagina Crea modello addestrato, per Algoritmo del modello associato, specifica l'algoritmo.
Per i dettagli del modello addestrato, inserisci quanto segue:
1. Per Nome, inserisci un nome univoco per il modello nella collaborazione.
2. (Facoltativo) Per Descrizione, inserire una descrizione del modello addestrato.
3. Per la modalità di immissione dei dati di addestramento, scegliete una delle seguenti opzioni:
  - Selezionate File se disponete di un set di dati più piccolo che può contenere il volume di archiviazione ML e preferite l'accesso tradizionale al file system per lo script di training.
  - Scegliete Pipe per set di dati di grandi dimensioni per lo streaming di dati direttamente da S3, evitando la necessità di scaricare tutto su disco, il che può migliorare la velocità di formazione e ridurre i requisiti di archiviazione.
  - Scegli FastFile se desideri combinare i vantaggi dello streaming da S3 con l'accesso al file system, in particolare per i dati letti in sequenza o quando hai a che fare con un numero inferiore di file per tempi di avvio più rapidi.
Per informazioni dettagliate sul canale di ingresso ML, effettuate le seguenti operazioni:
1. Per il canale di ingresso ML, specificate il canale di ingresso ML che fornisce i dati all'algoritmo del modello.
  
  Per aggiungere un altro canale, scegliete Aggiungi un altro canale di ingresso ML. È possibile aggiungere fino a 19 canali di ingresso ML aggiuntivi.
2. Per Nome del canale, immettete il nome del canale di ingresso ML.
3. Per il tipo di distribuzione dei dati di Amazon S3, scegli una delle seguenti opzioni:
  - Seleziona Fully replicated per fornire a ciascuna istanza di formazione una copia completa del set di dati. Funziona meglio quando il set di dati è sufficientemente piccolo da contenere la memoria o quando ogni istanza deve accedere a tutti i dati.
  - Seleziona Sharded by S3 key per dividere il set di dati tra le istanze di training in base alle chiavi S3. Ogni istanza riceve circa il numero totale 1/n di oggetti S3, dove «n» è il numero di istanze. È la soluzione migliore per set di dati di grandi dimensioni che si desidera elaborare in parallelo.
  Nota
  Considerate le dimensioni del set di dati e i requisiti di formazione quando selezionate un tipo di distribuzione. La replica completa fornisce un accesso completo ai dati ma richiede più spazio di archiviazione, mentre Sharded by S3 key consente l'elaborazione distribuita di set di dati di grandi dimensioni.
Per Durata massima dell'addestramento, scegli la quantità massima di tempo in cui desideri addestrare il tuo modello.
Per Hyperparameters, specificate tutti i parametri specifici dell'algoritmo e i relativi valori previsti. Gli iperparametri sono specifici del modello in fase di addestramento e vengono utilizzati per ottimizzare l'addestramento del modello.
Per le variabili di ambiente, specificate tutte le variabili specifiche dell'algoritmo e i relativi valori previsti. Le variabili di ambiente sono impostate nel contenitore Docker.
Per la crittografia, per utilizzare una chiave personalizzata AWS KMS key, seleziona la casella di controllo Encrypt secret with a custom KMS key.
Per la configurazione delle risorse EC2, specificare le informazioni sulle risorse di calcolo utilizzate per l'addestramento dei modelli.
1. Per Tipo di istanza, scegli il tipo di istanza che desideri eseguire.
2. Per Numero di istanze, inserisci il numero di istanze.
3. Per Dimensioni del volume in GB, inserisci la dimensione del volume di archiviazione ML.
(Facoltativo) Per chi paga la formazione del modello, seleziona il membro della collaborazione che paga i costi di formazione del modello.

Nota
Se nell'ambito della collaborazione è presente un solo candidato pagante per la formazione dei modelli, il valore predefinito è quello pagante.
Scegli Crea modello addestrato.

API

Per creare un modello addestrato (API)

Il membro con la capacità di addestrare un modello inizia l'addestramento selezionando il canale di input ML e l'algoritmo del modello.

Esegui il codice seguente con i tuoi parametri specifici:


import boto3 
acr_ml_client= boto3.client('cleanroomsml')

acr_ml_client.create_trained_model(
    membershipIdentifier= 'membership_id',
    configuredModelAlgorithmAssociationArn = 'arn:aws:cleanrooms-ml:region:account:membership/membershipIdentifier/configured-model-algorithm-association/identifier',
    name='trained_model_name',
    resourceConfig={
        'instanceType': "ml.m5.xlarge",
        'volumeSizeInGB': 1
    },
    dataChannels=[
        {
            "mlInputChannelArn": channel_arn_1,
            "channelName": "channel_name"
        },
        {
            "mlInputChannelArn": channel_arn_2,
            "channelName": "channel_name"
        }
    ]
)

Nota

Dopo aver creato il modello addestrato, non è possibile modificarlo. Per apportare modifiche, elimina il modello addestrato e creane uno nuovo.

Avvertimento JavaScript è disabilitato o non è disponibile nel tuo browser.

Per usare la documentazione AWS, JavaScript deve essere abilitato. Consulta le pagine della guida del browser per le istruzioni.

Convenzioni dei documenti

Creazione di un canale di ingresso ML

Utilizzo della formazione incrementale