SageMaker AI AutoGluon-Tabular 사용 방법

AutoGluon-Tabular를 기본 제공 알고리즘으로 사용하기

AutoGluon-Tabular 기본 제공 알고리즘을 사용하여 다음 코드 예제와 같이 AutoGluon-Tabular 훈련 컨테이너를 빌드합니다. SageMaker AI API(또는 Amazon SageMaker Python SDK Amazon SageMaker 버전 2를 사용하는 경우 get_image_uri API)를 사용하여 AutoGluon-Tabular 내장 알고리즘 이미지 URI를 자동으로 찾을 수 있습니다. image_uris.retrieve

AutoGluon-Tabular 이미지 URI를 지정한 후 AutoGluon-Tabular 컨테이너를 사용하여 SageMaker AI 예측기 API를 사용하여 예측기를 구성하고 훈련 작업을 시작할 수 있습니다. AutoGluon-Tabular의 기본 제공 알고리즘은 스크립트 모드에서 실행되지만 훈련 스크립트는 자동으로 제공되므로 교체할 필요가 없습니다. 스크립트 모드를 사용하여 SageMaker 훈련 작업을 생성한 경험이 풍부하다면 사용자의 AutoGluon-Tabular 훈련 스크립트를 직접 통합할 수 있습니다.

from sagemaker import image_uris, model_uris, script_uris

train_model_id, train_model_version, train_scope = "autogluon-classification-ensemble", "*", "training"
training_instance_type = "ml.p3.2xlarge"

# Retrieve the docker image
train_image_uri = image_uris.retrieve(
    region=None,
    framework=None,
    model_id=train_model_id,
    model_version=train_model_version,
    image_scope=train_scope,
    instance_type=training_instance_type
)

# Retrieve the training script
train_source_uri = script_uris.retrieve(
    model_id=train_model_id, model_version=train_model_version, script_scope=train_scope
)

train_model_uri = model_uris.retrieve(
    model_id=train_model_id, model_version=train_model_version, model_scope=train_scope
)

# Sample training data is available in this bucket
training_data_bucket = f"jumpstart-cache-prod-{aws_region}"
training_data_prefix = "training-datasets/tabular_binary/"

training_dataset_s3_path = f"s3://{training_data_bucket}/{training_data_prefix}/train"
validation_dataset_s3_path = f"s3://{training_data_bucket}/{training_data_prefix}/validation"

output_bucket = sess.default_bucket()
output_prefix = "jumpstart-example-tabular-training"

s3_output_location = f"s3://{output_bucket}/{output_prefix}/output"

from sagemaker import hyperparameters

# Retrieve the default hyperparameters for training the model
hyperparameters = hyperparameters.retrieve_default(
    model_id=train_model_id, model_version=train_model_version
)

# [Optional] Override default hyperparameters with custom values
hyperparameters[
    "auto_stack"
] = "True"
print(hyperparameters)

from sagemaker.estimator import Estimator
from sagemaker.utils import name_from_base

training_job_name = name_from_base(f"built-in-algo-{train_model_id}-training")

# Create SageMaker Estimator instance
tabular_estimator = Estimator(
    role=aws_role,
    image_uri=train_image_uri,
    source_dir=train_source_uri,
    model_uri=train_model_uri,
    entry_point="transfer_learning.py",
    instance_count=1,
    instance_type=training_instance_type,
    max_run=360000,
    hyperparameters=hyperparameters,
    output_path=s3_output_location
)

# Launch a SageMaker Training job by passing the S3 path of the training data
tabular_estimator.fit(
    {
        "training": training_dataset_s3_path,
        "validation": validation_dataset_s3_path,
    }, logs=True, job_name=training_job_name
)

AutoGluon-Tabular를 기본 제공 알고리즘으로 설정하는 방법에 대한 자세한 내용은 다음 노트북 예제를 참조하세요. 이러한 예제에서 사용되는 모든 S3 버킷은 이를 실행하는 데 사용되는 노트북 인스턴스와 동일한 AWS 리전에 있어야 합니다.