パイプラインの概要

この例では、次のステップDAGが含まれます。

1. AbaloneProcess処理ステップのインスタンスである は、トレーニングに使用されるデータに対して前処理スクリプトを実行します。例えば、スクリプトは欠落している値を入力したり、数値データを正規化したり、データをトレーニング、検証、テストデータセットに分割したりできます。

2. AbaloneTrainトレーニングhttps://docs.aws.amazon.com/sagemaker/latest/dg/build-and-manage-steps.html#step-type-trainingステップのインスタンスである は、ハイパーパラメータを設定し、前処理された入力データからモデルをトレーニングします。

3. AbaloneEval処理ステップの別のインスタンスである は、モデルの精度を評価します。このステップは、データ依存関係の例を示しています。このステップでは、 のテストデータセット出力を使用しますAbaloneProcess。

4. AbaloneMSECond は条件https://docs.aws.amazon.com/sagemaker/latest/dg/build-and-manage-steps.html#step-type-conditionステップのインスタンスで、この例では、モデル評価の結果が特定の制限を下回っていることを確認します mean-square-error。モデルが基準を満たしていない場合、パイプラインの実行は停止します。

5. パイプラインの実行は、次のステップに進みます。

   1. AbaloneRegisterModel。 は、モデルをバージョニングされたモデルパッケージグループとして Amazon SageMaker Model Registry に登録するRegisterModelステップを SageMaker 呼び出します。

   2. AbaloneCreateModel。 はバッチ変換の準備としてモデルを作成するCreateModelステップを SageMaker 呼び出します。ではAbaloneTransform、 SageMaker は Transform ステップを呼び出して、指定したデータセットにモデル予測を生成します。