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 piscine calde gestite dall' SageMaker IA

Puoi usare pool caldi gestiti dall' SageMaker intelligenza artificiale tramite SageMaker PythonSDK, la console Amazon SageMaker AI o tramite il livello basso. APIs Gli amministratori possono, in via opzionale, utilizzare la chiave di condizione sagemaker:KeepAlivePeriod per limitare ulteriormente i limiti KeepAlivePeriodInSeconds per determinati utenti o gruppi.

Usare l' SageMaker AI Python SDK

Crea, aggiorna o termina i pool caldi usando SageMaker PythonSDK.

Creazione di un warm pool

Per creare un pool caldo, usa SageMaker Python SDK per creare uno stimatore con un keep_alive_period_in_seconds valore maggiore di 0 e chiama. fit() Al termine del processo di addestramento viene mantenuto un warm pool. Per ulteriori informazioni sugli script di addestramento e sugli stimatori, consulta Train a Model with the Python SageMaker . SDK Se lo script non crea un warm pool, consulta Creazione di warm pool per le possibili spiegazioni.

import sagemaker
from sagemaker import get_execution_role
from sagemaker.tensorflow import TensorFlow

# Creates a SageMaker AI session and gets execution role
session = sagemaker.Session()
role = get_execution_role()

# Creates an example estimator
estimator = TensorFlow(
    ...
    entry_point='my-training-script.py',
    source_dir='code',
    role=role,
    model_dir='model_dir',
    framework_version='2.2',
    py_version='py37',
    job_name='my-training-job-1',
    instance_type='ml.g4dn.xlarge',
    instance_count=1,
    volume_size=250,
    hyperparameters={
        "batch-size": 512,
        "epochs": 1,
        "learning-rate": 1e-3,
        "beta_1": 0.9,
        "beta_2": 0.999,
    },
    keep_alive_period_in_seconds=1800,
)

# Starts a SageMaker training job and waits until completion
estimator.fit('s3://my_bucket/my_training_data/')             

Quindi, crea un secondo processo di addestramento corrispondente. In questo esempio, creiamo my-training-job-2, che ha tutti gli attributi necessari a cui abbinare my-training-job-1, ma ha un iperparametro diverso per la sperimentazione. Il secondo processo di addestramento riutilizza il warm pool e si avvia più velocemente del primo processo di addestramento. Il seguente codice di esempio utilizza uno strumento di valutazione Tensorflow. La funzionalità warm pool può essere utilizzata con qualsiasi algoritmo di addestramento eseguito su Amazon SageMaker AI. Per ulteriori informazioni sugli attributi che devono corrispondere, consulta Processi di addestramento corrispondenti.

# Creates an example estimator
estimator = TensorFlow(
    ...
    entry_point='my-training-script.py',
    source_dir='code',
    role=role,
    model_dir='model_dir',
    framework_version='py37',
    py_version='pyxy',
    job_name='my-training-job-2',
    instance_type='ml.g4dn.xlarge',
    instance_count=1,
    volume_size=250,
    hyperparameters={
        "batch-size": 512,
        "epochs": 2,
        "learning-rate": 1e-3,
        "beta_1": 0.9,
        "beta_2": 0.999,
    },
    keep_alive_period_in_seconds=1800,
)

# Starts a SageMaker training job and waits until completion
estimator.fit('s3://my_bucket/my_training_data/')           

Controlla lo stato del warm pool di entrambi i processi di addestramento per confermare che il warm pool è Reused per my-training-job-1 e InUse per my-training-job-2.

session.describe_training_job('my-training-job-1')
session.describe_training_job('my-training-job-2')

Il risultato di describe_training_job fornisce tutti i dettagli su un determinato processo di addestramento. Trova l'attributo WarmPoolStatus per controllare le informazioni sul warm pool di un processo di addestramento. L'aspetto dell'output dovrebbe essere simile all’esempio seguente:

# Warm pool status for training-job-1
...
'WarmPoolStatus': {'Status': 'Reused', 
  'ResourceRetainedBillableTimeInSeconds': 1000,
  'ReusedByName': my-training-job-2}
...

# Warm pool status for training-job-2
... 
'WarmPoolStatus': {'Status': 'InUse'}
...             

Aggiornamento di un warm pool

Quando il processo di addestramento è completo e lo stato del warm pool è Available, puoi aggiornare il valore KeepAlivePeriodInSeconds.

session.update_training_job(job_name, resource_config={"KeepAlivePeriodInSeconds":3600})

Terminazione di un warm pool

Per terminare manualmente un warm pool, imposta il valore KeepAlivePeriodInSeconds su 0.

session.update_training_job(job_name, resource_config={"KeepAlivePeriodInSeconds":0})

Il warm pool si interrompe automaticamente quando supera il valore KeepAlivePeriodInSeconds designato o se è disponibile un aggiornamento della patch per il cluster.

Utilizzo della console Amazon SageMaker AI

Tramite la console, puoi creare un warm pool, rilasciare un warm pool o controllare lo stato del warm pool e il tempo fatturabile di specifici processi di addestramento. Puoi anche vedere quale processo di addestramento corrispondente ha riutilizzato un warm pool.

Utilizzo del livello basso SageMaker APIs

Usa piscine calde gestite dall' SageMaker intelligenza artificiale con SageMaker API o con. AWS CLI

SageMaker AI API

Configura le piscine calde gestite dall' SageMaker IA utilizzando SageMaker API i seguenti comandi:

AWS CLI

Configura le piscine calde gestite dall' SageMaker IA utilizzando AWS CLI i seguenti comandi:

Chiave di condizione IAM

Gli amministratori possono opzionalmente utilizzare la chiave di sagemaker:KeepAlivePeriod condizione per limitare ulteriormente i KeepAlivePeriodInSeconds limiti per determinati utenti o gruppi. SageMaker I pool caldi gestiti dall'IA sono limitati a un KeepAlivePeriodInSeconds valore di 3600 secondi (60 minuti), ma gli amministratori possono abbassare questo limite se necessario.

{
    "Version": "2012-10-17",
    "Statement": [
        {
            "Sid": "EnforceKeepAlivePeriodLimit",
            "Effect": "Allow",
            "Action": [
                "sagemaker:CreateTrainingJob"
            ],
            "Resource": "*",
            "Condition": {
                "NumericLessThanIfExists": {
                    "sagemaker:KeepAlivePeriod": 1800
                }
            }
        }
    ]
}

Per ulteriori informazioni, consulta Condition keys for Amazon SageMaker AI nel Service Authorization Reference.