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.
Addestra un modello con Amazon SageMaker
Amazon SageMaker Training è un servizio di machine learning (ML) completamente gestito offerto da SageMaker che ti aiuta a addestrare in modo efficiente un'ampia gamma di modelli di machine learning su larga scala. Il fulcro dei SageMaker lavori è la containerizzazione dei carichi di lavoro ML e la capacità di gestire AWS le risorse di elaborazione. La piattaforma di SageMaker formazione si occupa del carico di lavoro associato alla configurazione e alla gestione dell'infrastruttura per i carichi di lavoro di formazione ML. Con SageMaker Training, puoi concentrarti sullo sviluppo, l'addestramento e la messa a punto del tuo modello. Questa pagina presenta tre modi consigliati per iniziare ad addestrare un modello SageMaker, seguiti da opzioni aggiuntive che puoi prendere in considerazione.
Suggerimento
Per informazioni sulla formazione dei modelli base per l'IA generativa, consulta Utilizzare i modelli di SageMaker JumpStart base in Amazon SageMaker Studio.
Scelta di una funzionalità all'interno di Amazon SageMaker Training
Esistono tre casi d'uso principali per la formazione di modelli di machine learning SageMaker. Questa sezione descrive questi casi d'uso, nonché le SageMaker funzionalità che consigliamo per ogni caso d'uso.
Sia che stiate addestrando modelli di deep learning complessi o implementando algoritmi di machine learning più piccoli, SageMaker Training offre soluzioni semplificate ed economiche che soddisfano i requisiti dei vostri casi d'uso.
Casi d'uso
Di seguito sono riportati i principali casi d'uso per l'addestramento di modelli di machine learning all'interno. SageMaker
-
Caso d'uso 1: sviluppo di un modello di machine learning in un ambiente low-code o senza codice.
-
Caso d'uso 2: usa il codice per sviluppare modelli di machine learning con maggiore flessibilità e controllo.
-
Caso d'uso 3: sviluppo di modelli di machine learning su larga scala con la massima flessibilità e controllo.
Funzionalità consigliate
La tabella seguente descrive tre scenari comuni di addestramento dei modelli di machine learning e le opzioni corrispondenti per iniziare a usare SageMaker Training.
Caso d'uso 1 | Caso d'uso 2 | Caso d'uso 3 | |
---|---|---|---|
SageMaker caratteristica | Crea un modello utilizzando Amazon SageMaker Canvas. | Addestra un modello utilizzando uno degli algoritmi ML SageMaker integrati come XGBoost o Task-Specific Models con SageMaker JumpStart Python SDK. SageMaker | Addestra un modello su larga scala con la massima flessibilità sfruttando la modalità script o i contenitori personalizzati. |
Descrizione | Porta i tuoi dati. SageMaker aiuta a gestire la creazione di modelli di machine learning e la configurazione dell'infrastruttura e delle risorse di formazione. |
Porta i tuoi dati e scegli uno degli algoritmi ML integrati forniti da SageMaker. Configura gli iperparametri del modello, le metriche di output e le impostazioni di base dell'infrastruttura utilizzando Python SDK SageMaker . La piattaforma di SageMaker formazione aiuta a fornire l'infrastruttura e le risorse di formazione. |
Sviluppa il tuo codice ML e utilizzalo come script o set di script in SageMaker. Per ulteriori informazioni, consulta Calcolo distribuito con SageMaker best practice. Inoltre, puoi portare il tuo contenitore Docker. La piattaforma SageMaker Training aiuta a fornire l'infrastruttura e le risorse di formazione su larga scala in base alle impostazioni personalizzate. |
Ottimizzata per |
Sviluppo di modelli basso/senza codice e basato sull'interfaccia utente con sperimentazione rapida con un set di dati di addestramento. Quando crei un modello personalizzato, un algoritmo viene selezionato automaticamente in base ai tuoi dati. Per opzioni di personalizzazione avanzate come la selezione degli algoritmi, consulta Configurazioni avanzate per la creazione di modelli. |
Addestramento dei modelli di machine learning con personalizzazione di alto livello per iperparametri, impostazioni dell'infrastruttura e possibilità di utilizzare direttamente framework ML e script entrypoint per una maggiore flessibilità. Usa algoritmi integrati, modelli pre-addestrati e JumpStart modelli tramite Amazon SageMaker Python SDK |
Carichi di lavoro di formazione ML su larga scala, che richiedono più istanze e la massima flessibilità. Scopri l'informatica distribuita con le SageMaker migliori pratiche. SageMaker utilizza immagini Docker per ospitare la formazione e la fornitura di tutti i modelli. Puoi utilizzare qualsiasi algoritmo SageMaker o quello esterno e utilizzare i contenitori Docker per creare modelli. |
Considerazioni |
Flessibilità minima per personalizzare il modello fornito da Amazon SageMaker Canvas. |
L'SDK SageMaker Python offre un'interfaccia semplificata e un minor numero di opzioni di configurazione rispetto all'API Training di basso livello. SageMaker |
Richiede la conoscenza dell' AWS infrastruttura e delle opzioni di formazione distribuite. Vedi anche Crea il tuo contenitore di formazione utilizzando il toolkit SageMaker di formazione. |
Ambiente consigliato | Usa Amazon SageMaker Canvas. Per informazioni su come configurarlo, consulta Guida introduttiva all'utilizzo di SageMaker Canvas. | Utilizzalo SageMaker JupyterLaball'interno di Amazon SageMaker Studio. Per informazioni su come configurarlo, consulta Launch Amazon SageMaker Studio. | Utilizzalo SageMaker JupyterLaball'interno di Amazon SageMaker Studio. Per informazioni su come configurarlo, consulta Launch Amazon SageMaker Studio. |
Opzioni aggiuntive
SageMaker offre le seguenti opzioni aggiuntive per l'addestramento dei modelli di machine learning.
SageMaker funzionalità che offrono funzionalità di formazione
-
SageMaker JumpStart: SageMaker JumpStart fornisce l'accesso al SageMaker public model hub che contiene i più recenti Foundation Models (FM) proprietari e disponibili al pubblico. Puoi perfezionare, valutare e distribuire questi modelli all'interno di Amazon Studio. SageMaker SageMaker JumpStart semplifica il processo di utilizzo dei modelli di base per i casi d'uso dell'intelligenza artificiale generativa e consente di creare hub di modelli privati per utilizzare i modelli di base, rafforzando al contempo le barriere di governance e garantendo che l'organizzazione possa accedere solo ai modelli approvati. Per iniziare, consulta Foundation Models. SageMaker JumpStart SageMaker JumpStart
-
SageMaker HyperPod: SageMaker HyperPod è un servizio di cluster persistente per casi d'uso che richiedono cluster resilienti per enormi carichi di lavoro di machine learning (ML) e lo sviluppo di modelli di state-of-the-art base (FM). Accelera lo sviluppo di tali modelli eliminando gli oneri indifferenziati legati alla creazione e alla manutenzione di cluster di elaborazione su larga scala alimentati da migliaia di acceleratori come AWS Trainium o NVIDIA A100 e H100 Graphical Processing Unit (GPU). È possibile utilizzare un software HyperPod di gestione del carico di lavoro come Slurm on.
Altre funzionalità di Training SageMaker
-
Ottimizzazione degli iperparametri: questa SageMaker funzionalità aiuta a definire un set di iperparametri per un modello e ad avviare molti processi di formazione su un set di dati. A seconda dei valori degli iperparametri, le prestazioni di addestramento del modello potrebbero variare. Questa funzionalità fornisce il set di iperparametri con le migliori prestazioni all'interno dell'intervallo specificato di iperparametri impostati per la ricerca.
-
Formazione distribuita: pre-addestramento o ottimizzazione delle FM create con NVIDIA CUDA e altri framework PyTorch basati su NVIDIA. PyTorch Per utilizzare in modo efficiente le istanze GPU, utilizza le librerie di formazione SageMaker distribuite che offrono operazioni di comunicazione collettiva e varie tecniche di parallelismo dei modelli, come il parallelismo esperto e il parallelismo dei dati condivisi, ottimizzate per l'infrastruttura. AWS
-
Funzionalità di osservabilità: utilizza le funzionalità di profilazione e debug di Training per ottenere informazioni sui carichi di lavoro di SageMaker addestramento dei modelli, sulle prestazioni dei modelli e sull'utilizzo delle risorse. Per ulteriori informazioni, consulta Debug e miglioramento delle prestazioni del modello e Profile e ottimizzazione delle prestazioni computazionali.
-
Opzioni di istanze efficienti e convenienti : per ottimizzare i costi e l'efficienza di calcolo per la formazione del provisioning delle istanze, utilizza istanze Heterogeneous Cluster, Managed Spot o Managed Warm Pools.