Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.
Puoi usare SageMaker Python SDK per eseguire la tua immagine di elaborazione utilizzando la classe. Processor L'esempio seguente mostra come eseguire il container di elaborazione con un input da Amazon Simple Storage Service (Amazon S3) e un output in Amazon S3.
from sagemaker.processing import Processor, ProcessingInput, ProcessingOutput
processor = Processor(image_uri='<your_ecr_image_uri>',
role=role,
instance_count=1,
instance_type="ml.m5.xlarge")
processor.run(inputs=[ProcessingInput(
source='<s3_uri or local path>',
destination='/opt/ml/processing/input_data')],
outputs=[ProcessingOutput(
source='/opt/ml/processing/processed_data',
destination='<s3_uri>')],
)Invece di creare il codice di elaborazione nell'immagine di elaborazione, puoi fornire uno ScriptProcessor con la tua immagine e il comando che vuoi eseguire, insieme al codice da eseguire all'interno di quel container. Per vedere un esempio, consulta Eseguire script con il proprio container di elaborazione.
Puoi anche usare l'immagine scikit-learn fornita da Amazon SageMaker Processing SKLearnProcessor per eseguire script scikit-learn. Per un esempio, consulta Esegui un job di elaborazione con scikit-learn.
