Usa la formazione incrementale in Amazon SageMaker AI

Per eseguire l’addestramento incrementale (console)

1. Apri la console Amazon SageMaker AI all'indirizzo https://console.aws.amazon.com/sagemaker/.

2. Nel riquadro di navigazione, scegliere Addestramento, quindi Processi di addestramento.

3. Scegliere Crea processo di addestramento.

4. Fornire un nome per il processo di addestramento. Il nome deve essere univoco all'interno di una AWS regione di un AWS account. Il nome del processo di addestramento deve essere composto da 1 a 63 caratteri. I caratteri validi sono a-z, A-Z, 0-9 e . : + = @ _ % - (trattino).

5. Scegliere l'algoritmo da utilizzare. Per informazioni sugli algoritmi, consulta Algoritmi integrati e modelli preaddestrati in Amazon SageMaker.

6. (Facoltativo) Per Configurazione delle risorse, lasciare i valori predefiniti o aumentare l'utilizzo delle risorse, in modo da ridurre il tempo di elaborazione.

   1. (Facoltativo) Per Tipo di istanza, scegliere il tipo di istanza di calcolo ML da utilizzare. Nella maggior parte dei casi, ml.m4.xlarge è sufficiente.

   2. Per Conteggio istanze, utilizzare l'impostazione predefinita 1.

   3. (Facoltativo) Per Volume aggiuntivo per istanza in GB, scegliere le dimensioni del volume di storage ML da assegnare. Nella maggior parte dei casi, è possibile utilizzare l'impostazione predefinita 1. Se si utilizza un set di dati più grande, scegliere una dimensione maggiore.

7. Fornire informazioni sui dati di input per il set di dati di addestramento.

   1. Per Nome canale, lasciare l'impostazione predefinita (train) oppure inserire un nome più significativo per il set di dati di addestramento, ad esempio expanded-training-dataset.

   2. Per InputMode, scegli File. Per l’addestramento incrementale, è necessario utilizzare la modalità di input File.

   3. Per il tipo di distribuzione dei dati S3, scegli FullyReplicated. In questo modo, ogni istanza di calcolo ML utilizza una replica completa del set di dati espanso quando esegue l’addestramento incrementale.

   4. Se il set di dati espanso non è compresso, impostare Tipo di compressione su Nessuno. Se il set di dati espanso è compresso con Gzip, impostarlo su Gzip.

   5. (Facoltativo) Se si utilizza la modalità di input File, lasciare vuoto Tipo di contenuto. Per la modalità di input Pipe, specificare il tipo MIME appropriato. Il tipo di contenuto corrisponde al tipo di dati Multipurpose Internet Mail Extensions (MIME).

   6. Per Wrapper dei record, se il set di dati viene salvato in formato RecordIO, scegliere RecordIO. Se il set di dati non viene salvato come file in formato RecordIO, scegliere Nessuno.

   7. Per Tipo di dati S3, se il set di dati viene archiviato come singolo file, scegliere S3Prefix. Se il set di dati viene archiviato come diversi file in una cartella, scegliere Manifest.

   8. Per Percorso S3, fornire l'URL per il percorso in cui è stato archiviato il set di dati espanso.

   9. Seleziona Fatto.

8. Per utilizzare gli artefatti del modello in un processo di addestramento, è necessario aggiungere un nuovo canale e fornire le informazioni necessarie sugli artefatti del modello.

   1. Per Configurazione dei dati di input, scegliere Aggiungi canale.

   2. Per Nome canale, immettere model per identificare il canale come origine degli artefatti del modello.

   3. Per InputMode, scegli File. Gli artefatti del modello vengono archiviati come file.

   4. Per il tipo di distribuzione dei dati S3, scegli FullyReplicated. Questo indica che ogni istanza di calcolo ML deve utilizzare tutti gli artefatti del modello per l’addestramento.

   5. Per Tipo di compressione, scegliere Nessuno perché si sta utilizzando un modello per il canale.

   6. Lasciare vuoto Tipo di contenuto. Il tipo di contenuto corrisponde al tipo di dati Multipurpose Internet Mail Extensions (MIME). Per gli artefatti del modello, viene lasciato vuoto.

   7. Impostare Wrapper dei record su Nessuno perché gli artefatti del modello non vengono archiviati in formato RecordIO.

   8. Per Tipo di dati S3, se si utilizza un algoritmo predefinito o un algoritmo che archivia il modello come singolo file, scegliere S3Prefix. Se si utilizza un algoritmo che archivia il modello come diversi file, scegliere Manifest.

   9. Per Percorso S3, fornire l'URL per il percorso in cui sono stati archiviati gli artefatti del modello. Di solito, il modello viene archiviato con il nome model.tar.gz. Per trovare l'URL per gli artefatti del modello, nel riquadro di navigazione scegliere Inferenza, quindi Modelli. Scegliere un modello dall'elenco per visualizzare la pagina dei dettagli. L'URL per gli artefatti del modello è elencato in Container primario.

   10. Seleziona Fatto.

9. Per Configurazione dei dati di output, specificare le seguenti informazioni:

   1. Per Percorso S3, digitare il percorso del bucket S3 in cui archiviare i dati di output.

   2. (Facoltativo) Per Chiave di crittografia, si può aggiungere la chiave di crittografia AWS Key Management Service (AWS KMS) per crittografare i dati di output inattivi. Fornire l'ID della chiave o il relativo ARN (Amazon Resource Number). Per ulteriori informazioni, consulta KMS-Managed Encryption Keys.

10. (Facoltativo) Per Tag, aggiungere uno o più tag per gestire il processo di addestramento. Un tag è costituito da metadati che è possibile definire e assegnare alle risorse AWS . In questo caso, è possibile utilizzare i tag per semplificare la gestione dei processi di addestramento. Un tag è composto da una chiave e da un valore definiti dall'utente. Ad esempio, è possibile creare un tag con la chiave Project e un valore che fa riferimento a un progetto correlato al processo di addestramento, ad esempio Home value forecasts.

11. Scegli Crea un lavoro di formazione. SageMaker L'intelligenza artificiale crea e gestisce lavori di formazione.