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.
Usa lo stimatore SageMaker generico per estendere i contenitori predefiniti DLC
Puoi personalizzare i contenitori SageMaker predefiniti o estenderli per gestire eventuali requisiti funzionali aggiuntivi per il tuo algoritmo o modello che l'immagine SageMaker Docker precostruita non supporta. Per un esempio di come è possibile estendere un container predefinito, consulta Estendere un container predefinito.
Per estendere un container predefinito o adattare il tuo container all'uso della libreria, devi utilizzare una delle immagini elencate in Framework supportati.
Nota
A partire dalla TensorFlow versione 2.4.1 e PyTorch 1.8.1, il SageMaker framework DLCs supporta i tipi di istanza abilitati all'uso. EFA Si consiglia di utilizzare DLC le immagini che contengono la TensorFlow versione 2.4.1 o successiva e PyTorch la versione 1.8.1 o successiva.
Ad esempio, se lo utilizzi PyTorch, il tuo Dockerfile dovrebbe contenere un'FROMistruzione simile alla seguente:
# SageMaker PyTorch image FROM 763104351884.dkr.ecr.<aws-region>.amazonaws.com/pytorch-training:<image-tag>ENV PATH="/opt/ml/code:${PATH}" # this environment variable is used by the SageMaker PyTorch container to determine our user code directory. ENV SAGEMAKER_SUBMIT_DIRECTORY /opt/ml/code # /opt/ml and all subdirectories are utilized by SageMaker, use the /code subdirectory to store your user code. COPYtrain.py/opt/ml/code/train.py # Defines cifar10.py as script entrypoint ENV SAGEMAKER_PROGRAMtrain.py
Puoi personalizzare ulteriormente il tuo contenitore Docker per utilizzarlo SageMaker utilizzando il toolkit di SageMaker formazione
