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.

In che modo Amazon SageMaker fornisce informazioni sulla formazione

Questa sezione spiega come SageMaker rendere disponibili nel contenitore Docker le informazioni sulla formazione, come dati di addestramento, iperparametri e altre informazioni di configurazione.

Quando invii una CreateTrainingJobrichiesta SageMaker per avviare l'addestramento del modello, specifichi il percorso Amazon Elastic Container Registry (AmazonECR) dell'immagine Docker che contiene l'algoritmo di training. È inoltre necessario specificare la posizione di Amazon Simple Storage Service (Amazon S3) in cui vengono archiviati i dati di addestramento e i parametri specifici dell'algoritmo. SageMaker rende queste informazioni disponibili nel contenitore Docker in modo che l'algoritmo di addestramento possa utilizzarle. Questa sezione spiega come rendere queste informazioni disponibili al tuo container Docker. Per informazioni sulla creazione di un processo di addestramento, consulta CreateTrainingJob. Per ulteriori informazioni sul modo in cui i SageMaker contenitori organizzano le informazioni, consultaSageMaker Toolkit di formazione e inferenza.

Iperparametri

SageMaker rende disponibili gli iperparametri di una CreateTrainingJob richiesta nel contenitore Docker del /opt/ml/input/config/hyperparameters.json file.

Di seguito è riportato un esempio di configurazione di iperparametri in hyperparameters.json per specificare gli num_round e gli eta iperparametri nell'operazione per. CreateTrainingJob XGBoost

{
    "num_round": "128",
    "eta": "0.001"
}            

Per un elenco completo degli iperparametri che possono essere utilizzati per l'XGBoostalgoritmo SageMaker integrato, vedete Iperparametri. XGBoost

Gli iperparametri che puoi ottimizzare dipendono dall'algoritmo che stai addestrando. Per un elenco degli iperparametri disponibili per un algoritmo SageMaker integrato, trovali elencati in Iperparametri sotto il link dell'algoritmo in Use Amazon SageMaker Built-in Algorithms or Pre-training Models.

Variabili di ambiente

SageMaker imposta le seguenti variabili di ambiente nel tuo contenitore:

Configurazione dei dati di input

SageMaker rende disponibili le informazioni sul canale dati contenute nel InputDataConfig parametro della CreateTrainingJob richiesta nel /opt/ml/input/config/inputdataconfig.json file nel contenitore Docker.

Ad esempio, supponiamo di specificare tre canali di dati (trainevaluation, evalidation) nella richiesta. SageMakerfornisce quanto segue: JSON

{
  "train" : {"ContentType":  "trainingContentType",
             "TrainingInputMode": "File",
             "S3DistributionType": "FullyReplicated",
             "RecordWrapperType": "None"},
  "evaluation" : {"ContentType":  "evalContentType",
                  "TrainingInputMode": "File",
                  "S3DistributionType": "FullyReplicated",
                  "RecordWrapperType": "None"},
  "validation" : {"TrainingInputMode": "File",
                  "S3DistributionType": "FullyReplicated",
                  "RecordWrapperType": "None"}
} 

Dati di addestramento

Il parametro TrainingInputMode nella AlgorithmSpecification della richiesta CreateTrainingJob specifica in che modo il set di dati di addestramento viene reso disponibile per il container. Sono disponibili le modalità di input seguenti:

SageMaker model training supporta i bucket di directory S3 Express One Zone ad alte prestazioni come posizione di input dei dati per la modalità file, la modalità fast file e la modalità pipe. Per utilizzare S3 Express One Zone, inserisci la posizione del bucket di directory S3 Express One Zone anziché un bucket Amazon S3 per uso generico. Fornisci al IAM ruolo ARN la politica di controllo degli accessi e autorizzazioni richiesta. Fare riferimento a AmazonSageMakerFullAccesspolicy per ulteriori dettagli. Puoi crittografare i dati di SageMaker output in bucket di directory solo con crittografia lato server con chiavi gestite di Amazon S3 (-S3). SSE La crittografia lato server con AWS KMS chiavi (SSE-KMS) non è attualmente supportata per l'archiviazione dei dati di output nei bucket di directory. SageMaker Per ulteriori informazioni, consulta S3 Express One Zone.

Configurazione dell’addestramento distribuito

Se stai eseguendo corsi di formazione distribuiti con più contenitori, SageMaker rende disponibili nel /opt/ml/input/config/resourceconfig.json file le informazioni su tutti i contenitori.

Per abilitare la comunicazione tra contenitori, questo JSON file contiene informazioni per tutti i contenitori. SageMaker rende questo file disponibile per entrambi File gli algoritmiPipe. Il file fornisce le informazioni che seguono:

Di seguito è riportato un file di esempio sul nodo 1 in un cluster a tre nodi.

{
    "current_host": "algo-1",
    "hosts": ["algo-1","algo-2","algo-3"],
    "network_interface_name":"eth1"
}