기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다. # `modeltraining` 명령을 사용한 모델 훈련 Neptune ML `modeltraining` 명령을 사용하여 모델 훈련 작업을 생성하거나, 작업 상태를 확인하거나, 중지하거나, 모든 활성 모델 훈련 작업을 나열할 수 있습니다. ## Neptune ML `modeltraining` 명령을 사용하여 모델 훈련 작업 생성 완전히 새로운 작업을 생성하는 Neptune ML `modeltraining` 명령은 다음과 같습니다. ------ #### [ AWS CLI ] ``` aws neptunedata start-ml-model-training-job \ --endpoint-url https://your-neptune-endpoint:port \ --id "(a unique model-training job ID)" \ --data-processing-job-id "(the data-processing job-id of a completed job)" \ --train-model-s3-location "s3://(your S3 bucket)/neptune-model-graph-autotrainer" ``` 자세한 내용은 AWS CLI 명령 참조의 [start-ml-model-training-job](https://docs.aws.amazon.com/cli/latest/reference/neptunedata/start-ml-model-training-job.html)을 참조하세요. ------ #### [ SDK ] ``` import boto3 from botocore.config import Config client = boto3.client( 'neptunedata', endpoint_url='https://your-neptune-endpoint:port', config=Config(read_timeout=None, retries={'total_max_attempts': 1}) ) response = client.start_ml_model_training_job( id='(a unique model-training job ID)', dataProcessingJobId='(the data-processing job-id of a completed job)', trainModelS3Location='s3://(your S3 bucket)/neptune-model-graph-autotrainer' ) print(response) ``` ------ #### [ awscurl ] ``` awscurl https://your-neptune-endpoint:port/ml/modeltraining \ --region us-east-1 \ --service neptune-db \ -X POST \ -H 'Content-Type: application/json' \ -d '{ "id" : "(a unique model-training job ID)", "dataProcessingJobId" : "(the data-processing job-id of a completed job)", "trainModelS3Location" : "s3://(your S3 bucket)/neptune-model-graph-autotrainer" }' ``` **참고** 이 예제에서는 자격 AWS 증명이 환경에 구성되어 있다고 가정합니다. *us-east-1*을 Neptune 클러스터의 리전으로 바꿉니다. ------ #### [ curl ] ``` curl \ -X POST https://your-neptune-endpoint:port/ml/modeltraining \ -H 'Content-Type: application/json' \ -d '{ "id" : "(a unique model-training job ID)", "dataProcessingJobId" : "(the data-processing job-id of a completed job)", "trainModelS3Location" : "s3://(your S3 bucket)/neptune-model-graph-autotrainer" }' ``` ------ 증분 모델 훈련을 위한 업데이트 작업을 생성하는 Neptune ML `modeltraining` 명령은 다음과 같습니다. ------ #### [ AWS CLI ] ``` aws neptunedata start-ml-model-training-job \ --endpoint-url https://your-neptune-endpoint:port \ --id "(a unique model-training job ID)" \ --data-processing-job-id "(the data-processing job-id of a completed job)" \ --train-model-s3-location "s3://(your S3 bucket)/neptune-model-graph-autotrainer" \ --previous-model-training-job-id "(the job ID of a completed model-training job to update)" ``` 자세한 내용은 AWS CLI 명령 참조의 [start-ml-model-training-job](https://docs.aws.amazon.com/cli/latest/reference/neptunedata/start-ml-model-training-job.html)을 참조하세요. ------ #### [ SDK ] ``` import boto3 from botocore.config import Config client = boto3.client( 'neptunedata', endpoint_url='https://your-neptune-endpoint:port', config=Config(read_timeout=None, retries={'total_max_attempts': 1}) ) response = client.start_ml_model_training_job( id='(a unique model-training job ID)', dataProcessingJobId='(the data-processing job-id of a completed job)', trainModelS3Location='s3://(your S3 bucket)/neptune-model-graph-autotrainer', previousModelTrainingJobId='(the job ID of a completed model-training job to update)' ) print(response) ``` ------ #### [ awscurl ] ``` awscurl https://your-neptune-endpoint:port/ml/modeltraining \ --region us-east-1 \ --service neptune-db \ -X POST \ -H 'Content-Type: application/json' \ -d '{ "id" : "(a unique model-training job ID)", "dataProcessingJobId" : "(the data-processing job-id of a completed job)", "trainModelS3Location" : "s3://(your S3 bucket)/neptune-model-graph-autotrainer", "previousModelTrainingJobId" : "(the job ID of a completed model-training job to update)" }' ``` **참고** 이 예제에서는 자격 AWS 증명이 환경에 구성되어 있다고 가정합니다. *us-east-1*을 Neptune 클러스터의 리전으로 바꿉니다. ------ #### [ curl ] ``` curl \ -X POST https://your-neptune-endpoint:port/ml/modeltraining \ -H 'Content-Type: application/json' \ -d '{ "id" : "(a unique model-training job ID)", "dataProcessingJobId" : "(the data-processing job-id of a completed job)", "trainModelS3Location" : "s3://(your S3 bucket)/neptune-model-graph-autotrainer", "previousModelTrainingJobId" : "(the job ID of a completed model-training job to update)" }' ``` ------ 사용자가 제공한 사용자 지정 모델 구현으로 새 작업을 생성하는 Neptune ML `modeltraining` 명령은 다음과 같습니다. ------ #### [ AWS CLI ] ``` aws neptunedata start-ml-model-training-job \ --endpoint-url https://your-neptune-endpoint:port \ --id "(a unique model-training job ID)" \ --data-processing-job-id "(the data-processing job-id of a completed job)" \ --train-model-s3-location "s3://(your Amazon S3 bucket)/neptune-model-graph-autotrainer" \ --model-name "custom" \ --custom-model-training-parameters '{ "sourceS3DirectoryPath": "s3://(your Amazon S3 bucket)/(path to your Python module)", "trainingEntryPointScript": "(your training script entry-point name in the Python module)", "transformEntryPointScript": "(your transform script entry-point name in the Python module)" }' ``` 자세한 내용은 AWS CLI 명령 참조의 [start-ml-model-training-job](https://docs.aws.amazon.com/cli/latest/reference/neptunedata/start-ml-model-training-job.html)을 참조하세요. ------ #### [ SDK ] ``` import boto3 from botocore.config import Config client = boto3.client( 'neptunedata', endpoint_url='https://your-neptune-endpoint:port', config=Config(read_timeout=None, retries={'total_max_attempts': 1}) ) response = client.start_ml_model_training_job( id='(a unique model-training job ID)', dataProcessingJobId='(the data-processing job-id of a completed job)', trainModelS3Location='s3://(your Amazon S3 bucket)/neptune-model-graph-autotrainer', modelName='custom', customModelTrainingParameters={ 'sourceS3DirectoryPath': 's3://(your Amazon S3 bucket)/(path to your Python module)', 'trainingEntryPointScript': '(your training script entry-point name in the Python module)', 'transformEntryPointScript': '(your transform script entry-point name in the Python module)' } ) print(response) ``` ------ #### [ awscurl ] ``` awscurl https://your-neptune-endpoint:port/ml/modeltraining \ --region us-east-1 \ --service neptune-db \ -X POST \ -H 'Content-Type: application/json' \ -d '{ "id" : "(a unique model-training job ID)", "dataProcessingJobId" : "(the data-processing job-id of a completed job)", "trainModelS3Location" : "s3://(your Amazon S3 bucket)/neptune-model-graph-autotrainer", "modelName": "custom", "customModelTrainingParameters" : { "sourceS3DirectoryPath": "s3://(your Amazon S3 bucket)/(path to your Python module)", "trainingEntryPointScript": "(your training script entry-point name in the Python module)", "transformEntryPointScript": "(your transform script entry-point name in the Python module)" } }' ``` **참고** 이 예제에서는 자격 AWS 증명이 환경에 구성되어 있다고 가정합니다. *us-east-1*을 Neptune 클러스터의 리전으로 바꿉니다. ------ #### [ curl ] ``` curl \ -X POST https://your-neptune-endpoint:port/ml/modeltraining \ -H 'Content-Type: application/json' \ -d '{ "id" : "(a unique model-training job ID)", "dataProcessingJobId" : "(the data-processing job-id of a completed job)", "trainModelS3Location" : "s3://(your Amazon S3 bucket)/neptune-model-graph-autotrainer", "modelName": "custom", "customModelTrainingParameters" : { "sourceS3DirectoryPath": "s3://(your Amazon S3 bucket)/(path to your Python module)", "trainingEntryPointScript": "(your training script entry-point name in the Python module)", "transformEntryPointScript": "(your transform script entry-point name in the Python module)" } }' ``` ------ **작업을 생성하는 `modeltraining` 파라미터** + **`id`**   –   (*선택 사항*) 새 작업의 고유 식별자입니다. *유형*: 문자열. *기본값*: 자동 생성된 UUID. + **`dataProcessingJobId`**   –   (*필수*) 훈련에서 사용할 데이터를 생성하여 완료된 데이터 처리 작업의 작업 ID입니다. *유형*: 문자열. + **`trainModelS3Location`**   –   (*필수*) 모델 아티팩트가 저장되는 Amazon S3의 위치입니다. *유형*: 문자열. + **`previousModelTrainingJobId`**   –   (*선택 사항*) 업데이트된 데이터를 기반으로 하여 점진적으로 업데이트하려는 완료된 모델 훈련 작업의 작업 ID입니다. *유형*: 문자열. *기본값*: *없음*. + **`sagemakerIamRoleArn`** – (*선택 사항*) SageMaker AI를 실행하기 위한 IAM 역할의 ARN입니다. *유형*: 문자열. *참고*: 이는 DB 클러스터 파라미터 그룹에 나열되어 있어야 합니다. 그렇지 않으면 오류가 발생합니다. + **`neptuneIamRoleArn`** – (*선택 사항*) SageMaker AI와 Amazon S3 리소스에 대한 Neptune의 액세스 권한을 제공하는 IAM 역할의 ARN입니다. *유형*: 문자열. *참고*: 이는 DB 클러스터 파라미터 그룹에 나열되어 있어야 합니다. 그렇지 않으면 오류가 발생합니다. + **`modelName`**   –   (*선택 사항*) 훈련을 위한 모델 유형입니다. 기본적으로 ML 모델은 자동으로 데이터 처리에 사용되는 `modelType`을 기반으로 하지만, 여기에서 다른 모델 유형을 지정할 수도 있습니다. *유형*: 문자열. *기본값*: 이기종 그래프용 `rgcn` 및 지식 그래프용 `kge`. *유효 값*: 이기종 그래프의 경우 `rgcn`, `kge` 그래프의 경우 `transe`, `distmult` 또는 `rotate`, 사용자 지정 모델 구현의 경우 `custom`. + **`baseProcessingInstanceType`**   –   (*선택 사항*) ML 모델 훈련 준비 및 관리에 사용되는 ML 인스턴스 유형입니다. *유형*: 문자열. *참고*: 훈련 데이터 및 모델을 처리하는 데 필요한 메모리 요구 사항을 기반으로 선택된 CPU 인스턴스입니다. [모델 훈련 및 모델 변환용 인스턴스 선택](machine-learning-on-graphs-instance-selection.md#machine-learning-on-graphs-training-transform-instance-size)을(를) 참조하세요. + **`trainingInstanceType`**   –   (*선택 사항*) 모델 훈련에 사용되는 ML 인스턴스 유형입니다. 모든 Neptune ML 모델은 CPU, GPU 및 다중 GPU 훈련을 지원합니다. *유형*: 문자열. *기본값*: `ml.p3.2xlarge`. *참고*: 훈련에 적합한 인스턴스 유형을 선택하는 것은 작업 유형, 그래프 크기, 예산에 따라 달라집니다. [모델 훈련 및 모델 변환용 인스턴스 선택](machine-learning-on-graphs-instance-selection.md#machine-learning-on-graphs-training-transform-instance-size)을(를) 참조하세요. + **`trainingInstanceVolumeSizeInGB`**   –   (*선택 사항*) 훈련 인스턴스의 디스크 볼륨 크기입니다. 입력 데이터와 출력 모델 모두 디스크에 저장되므로, 볼륨 크기는 두 데이터 세트를 모두 담을 수 있을 만큼 커야 합니다. *유형*: 정수. *기본값*: `0`. *참고*: 지정하지 않거나 0인 경우 Neptune ML은 데이터 처리 단계에서 생성된 권장 사항에 따라 디스크 볼륨 크기를 선택합니다. [모델 훈련 및 모델 변환용 인스턴스 선택](machine-learning-on-graphs-instance-selection.md#machine-learning-on-graphs-training-transform-instance-size)을(를) 참조하세요. + **`trainingTimeOutInSeconds`**   –   (*선택 사항*) 훈련 작업의 제한 시간(초 단위)입니다. *유형*: 정수. *기본값*: `86,400`(1일). + **`maxHPONumberOfTrainingJobs`**   –  하이퍼파라미터 조정 작업을 위해 시작할 최대 총 훈련 작업 수입니다. *유형*: 정수. *기본값*: `2`. *참고*: Neptune ML은 기계 학습 모델의 하이퍼파라미터를 자동으로 조정합니다. 성능이 좋은 모델을 확보하려면 최소 10개 이상의 작업(즉 `maxHPONumberOfTrainingJobs` 값을 10으로 설정)을 사용합니다. 일반적으로 조정 실행 횟수가 많을수록 더 좋은 결과를 얻을 수 있습니다. + **`maxHPOParallelTrainingJobs`**   –   하이퍼파라미터 조정 작업을 위해 시작할 최대 병렬 훈련 작업 수입니다. *유형*: 정수. *기본값*: `2`. *참고*: 실행할 수 있는 병렬 작업 수는 훈련 인스턴스에서 사용 가능한 리소스에 따라 제한됩니다. + **`subnets`**   –   (*선택 사항*) Neptune VPC의 서브넷 ID입니다. *유형*: 문자열 목록. *기본값*: *없음*. + **`securityGroupIds`**   –   (*선택 사항*) VPC 보안 그룹 ID입니다. *유형*: 문자열 목록. *기본값*: *없음*. + **`volumeEncryptionKMSKey`**   –   (*선택 사항*) SageMaker AI가 훈련 작업을 실행하는 ML 컴퓨팅 인스턴스에 연결된 스토리지 볼륨의 데이터를 암호화하는 데 사용하는 AWS Key Management Service (AWS KMS) 키입니다. *유형*: 문자열. *기본값*: *없음*. + **`s3OutputEncryptionKMSKey`**   –   (*선택 사항*) SageMaker AI가 처리 작업의 출력을 암호화하는 데 사용하는 AWS Key Management Service (AWS KMS) 키입니다. *유형*: 문자열. *기본값*: *없음*. + **`enableInterContainerTrafficEncryption`**   –   (*선택 사항*) 훈련 또는 하이퍼 파라미터 조정 작업에서 컨테이너 간 트래픽 암호화를 활성화하거나 비활성화합니다. *유형*: 부울. *기본값*: *True*. **참고** 이 `enableInterContainerTrafficEncryption` 파라미터는 [엔진 릴리스 1.2.0.2.R3](engine-releases-1.2.0.2.R3.md)에서만 사용할 수 있습니다. + **`enableManagedSpotTraining`**   –   (*선택 사항*) Amazon Elastic Compute Cloud 스팟 인스턴스를 사용하여 기계 학습 모델 훈련 비용을 최적화합니다. 자세한 내용은 [Amazon SageMaker의 관리형 스팟 교육](https://docs.aws.amazon.com/sagemaker/latest/dg/model-managed-spot-training.html)을 참조하세요. *유형*: 부울. *기본값*: *False*. + **`customModelTrainingParameters`**   –   (*선택 사항*) 사용자 지정 모델 훈련 구성입니다. 이는 다음 필드가 있는 JSON 객체입니다. + **`sourceS3DirectoryPath`**   –   (*필수*) 모델을 구현하는 Python 모듈이 위치한 Amazon S3 위치 경로입니다. 이는 최소한 훈련 스크립트, 변환 스크립트 및 `model-hpo-configuration.json` 파일을 포함하는 유효한 기존 Amazon S3 위치를 가리켜야 합니다. + **`trainingEntryPointScript`**   –   (*선택 사항*) 모델 훈련을 수행하고 하이퍼파라미터를 명령줄 인수로 취하는 스크립트(예: 고정값 하이퍼파라미터)의 모듈 내 진입점 이름입니다. *기본값*: `training.py`. + **`transformEntryPointScript`**   –   (*선택 사항*) 모델 배포에 필요한 모델 아티팩트를 계산하기 위해 하이퍼파라미터 검색에서 최적의 모델을 식별한 후 실행해야 하는 스크립트의 모듈 내 진입점 이름입니다. 명령줄 인수 없이 실행할 수 있어야 합니다. *기본값*: `transform.py`. + **`maxWaitTime`**   –   (*선택 사항*) 스팟 인스턴스를 사용하여 모델 훈련을 수행할 때 대기하는 최대 시간(초)입니다. `trainingTimeOutInSeconds`보다 커야 합니다. *유형*: 정수. ## Neptune ML `modeltraining` 명령을 사용하여 모델 훈련 작업의 상태 가져오기 작업 상태를 나타내는 샘플 Neptune ML `modeltraining` 명령은 다음과 같습니다. ------ #### [ AWS CLI ] ``` aws neptunedata get-ml-model-training-job \ --endpoint-url https://your-neptune-endpoint:port \ --id "(the job ID)" ``` 자세한 내용은 AWS CLI 명령 참조의 [get-ml-model-training-job](https://docs.aws.amazon.com/cli/latest/reference/neptunedata/get-ml-model-training-job.html)을 참조하세요. ------ #### [ SDK ] ``` import boto3 from botocore.config import Config client = boto3.client( 'neptunedata', endpoint_url='https://your-neptune-endpoint:port', config=Config(read_timeout=None, retries={'total_max_attempts': 1}) ) response = client.get_ml_model_training_job( id='(the job ID)' ) print(response) ``` ------ #### [ awscurl ] ``` awscurl https://your-neptune-endpoint:port/ml/modeltraining/(the job ID) \ --region us-east-1 \ --service neptune-db \ -X GET ``` **참고** 이 예제에서는 자격 AWS 증명이 환경에 구성되어 있다고 가정합니다. *us-east-1*을 Neptune 클러스터의 리전으로 바꿉니다. ------ #### [ curl ] ``` curl -s \ "https://your-neptune-endpoint:port/ml/modeltraining/(the job ID)" \ | python -m json.tool ``` ------ **작업 상태를 나타내는 `modeltraining` 파라미터** + **`id`**   –   (*필수*) 모델 훈련 작업의 고유 식별자입니다. *유형*: 문자열. + **`neptuneIamRoleArn`** – (*선택 사항*) SageMaker AI와 Amazon S3 리소스에 대한 Neptune의 액세스 권한을 제공하는 IAM 역할의 ARN입니다. *유형*: 문자열. *참고*: 이는 DB 클러스터 파라미터 그룹에 나열되어 있어야 합니다. 그렇지 않으면 오류가 발생합니다. ## Neptune ML `modeltraining` 명령을 사용하여 모델 훈련 작업 중지 작업 중지를 위한 샘플 Neptune ML `modeltraining` 명령은 다음과 같습니다. ------ #### [ AWS CLI ] ``` aws neptunedata cancel-ml-model-training-job \ --endpoint-url https://your-neptune-endpoint:port \ --id "(the job ID)" ``` Amazon S3 아티팩트를 정리하려면: ``` aws neptunedata cancel-ml-model-training-job \ --endpoint-url https://your-neptune-endpoint:port \ --id "(the job ID)" \ --clean ``` 자세한 내용은 AWS CLI 명령 참조의 [cancel-ml-model-training-job](https://docs.aws.amazon.com/cli/latest/reference/neptunedata/cancel-ml-model-training-job.html)을 참조하세요. ------ #### [ SDK ] ``` import boto3 from botocore.config import Config client = boto3.client( 'neptunedata', endpoint_url='https://your-neptune-endpoint:port', config=Config(read_timeout=None, retries={'total_max_attempts': 1}) ) response = client.cancel_ml_model_training_job( id='(the job ID)', clean=True ) print(response) ``` ------ #### [ awscurl ] ``` awscurl https://your-neptune-endpoint:port/ml/modeltraining/(the job ID) \ --region us-east-1 \ --service neptune-db \ -X DELETE ``` Amazon S3 아티팩트를 정리하려면: ``` awscurl "https://your-neptune-endpoint:port/ml/modeltraining/(the job ID)?clean=true" \ --region us-east-1 \ --service neptune-db \ -X DELETE ``` **참고** 이 예제에서는 자격 AWS 증명이 환경에 구성되어 있다고 가정합니다. *us-east-1*을 Neptune 클러스터의 리전으로 바꿉니다. ------ #### [ curl ] ``` curl -s \ -X DELETE "https://your-neptune-endpoint:port/ml/modeltraining/(the job ID)" ``` 아니면 다음을 사용해도 됩니다. ``` curl -s \ -X DELETE "https://your-neptune-endpoint:port/ml/modeltraining/(the job ID)?clean=true" ``` ------ **작업을 중지하는 `modeltraining` 파라미터** + **`id`**   –   (*필수*) 모델 훈련 작업의 고유 식별자입니다. *유형*: 문자열. + **`neptuneIamRoleArn`** – (*선택 사항*) SageMaker AI와 Amazon S3 리소스에 대한 Neptune의 액세스 권한을 제공하는 IAM 역할의 ARN입니다. *유형*: 문자열. *참고*: 이는 DB 클러스터 파라미터 그룹에 나열되어 있어야 합니다. 그렇지 않으면 오류가 발생합니다. + **`clean`**   –   (*선택 사항*) 이 플래그는 작업이 중지될 때 모든 Amazon S3 아티팩트를 삭제하도록 지정합니다. *유형*: 부울. *기본값*: `FALSE`. ## Neptune ML `modeltraining` 명령을 사용하여 활성 모델 훈련 작업 나열 활성 작업을 나열하기 위한 샘플 Neptune ML `modeltraining` 명령은 다음과 같습니다. ------ #### [ AWS CLI ] ``` aws neptunedata list-ml-model-training-jobs \ --endpoint-url https://your-neptune-endpoint:port ``` 결과 수를 제한하려면: ``` aws neptunedata list-ml-model-training-jobs \ --endpoint-url https://your-neptune-endpoint:port \ --max-items 3 ``` 자세한 내용은 AWS CLI 명령 참조의 [list-ml-model-training-jobs](https://docs.aws.amazon.com/cli/latest/reference/neptunedata/list-ml-model-training-jobs.html)를 참조하세요. ------ #### [ SDK ] ``` import boto3 from botocore.config import Config client = boto3.client( 'neptunedata', endpoint_url='https://your-neptune-endpoint:port', config=Config(read_timeout=None, retries={'total_max_attempts': 1}) ) response = client.list_ml_model_training_jobs( maxItems=3 ) print(response) ``` ------ #### [ awscurl ] ``` awscurl https://your-neptune-endpoint:port/ml/modeltraining \ --region us-east-1 \ --service neptune-db \ -X GET ``` 결과 수를 제한하려면: ``` awscurl "https://your-neptune-endpoint:port/ml/modeltraining?maxItems=3" \ --region us-east-1 \ --service neptune-db \ -X GET ``` **참고** 이 예제에서는 자격 AWS 증명이 환경에 구성되어 있다고 가정합니다. *us-east-1*을 Neptune 클러스터의 리전으로 바꿉니다. ------ #### [ curl ] ``` curl -s "https://your-neptune-endpoint:port/ml/modeltraining" | python -m json.tool ``` 아니면 다음을 사용해도 됩니다. ``` curl -s "https://your-neptune-endpoint:port/ml/modeltraining?maxItems=3" | python -m json.tool ``` ------ **작업을 나열하는 `modeltraining` 파라미터** + **`maxItems`**   –   (*선택 사항*) 반환할 최대 항목 수입니다. *유형*: 정수. *기본값*: `10`. *최대 허용 값*: `1024`. + **`neptuneIamRoleArn`** – (*선택 사항*) SageMaker AI와 Amazon S3 리소스에 대한 Neptune의 액세스 권한을 제공하는 IAM 역할의 ARN입니다. *유형*: 문자열. *참고*: 이는 DB 클러스터 파라미터 그룹에 나열되어 있어야 합니다. 그렇지 않으면 오류가 발생합니다.