Compila un modello (Amazon SageMakerSDK) - Amazon SageMaker

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.

Compila un modello (Amazon SageMakerSDK)

Puoi utilizzarlo compile_modelAPIin Amazon SageMaker SDK for Python per compilare un modello addestrato e ottimizzarlo per hardware di destinazione specifico. APIDovrebbe essere invocato sull'oggetto estimatore utilizzato durante l'addestramento del modello.

Nota

È necessario impostare la variabile di MMS_DEFAULT_RESPONSE_TIMEOUT ambiente su 500 quando si compila il modello con o. MXNet PyTorch La variabile di ambiente non è necessaria per TensorFlow.

Di seguito è riportato un esempio di come è possibile compilare un modello utilizzando l'oggetto trained_model_estimator: 

# Replace the value of expected_trained_model_input below and
# specify the name & shape of the expected inputs for your trained model
# in json dictionary form
expected_trained_model_input = {'data':[1, 784]}

# Replace the example target_instance_family below to your preferred target_instance_family
compiled_model = trained_model_estimator.compile_model(target_instance_family='ml_c5',
        input_shape=expected_trained_model_input,
        output_path='insert s3 output path',
        env={'MMS_DEFAULT_RESPONSE_TIMEOUT': '500'})

Il codice compila il modello, salva il modello ottimizzato in output_path e crea un SageMaker modello che può essere distribuito su un endpoint. Taccuini di esempio sull'utilizzo di for SDK Python sono forniti nella sezione Notebook di esempio di Neo Model Compilation.