기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.

예제 및 추가 정보: 나만의 알고리즘 또는 모델 사용

다음 Jupyter 노트북과 추가 정보는 Amazon 노트북 인스턴스에서 자체 알고리즘 또는 사전 학습된 모델을 사용하는 방법을 보여줍니다. SageMaker MXNet TensorFlow, Chainer PyTorch 및 프레임워크용으로 사전 빌드된 Dockerfile이 있는 GitHub 리포지토리에 대한 링크와 추정기를 사용하여 AWS SDK for Python (Boto3) Learner에서 자체 학습 알고리즘을 실행하고 호스팅에서 자체 모델을 실행하는 방법에 대한 지침은 을 참조하십시오. SageMaker SageMaker 딥 러닝을 위한 사전 빌드된 SageMaker Docker 이미지

설치

Scikit-learn에서 훈련한 모델 호스팅

Scikit-learn에서 학습된 모델을 퍼스트 파티 k-means 및 XGBoost 컨테이너에 SageMaker 주입하여 예측을 수행하는 방법을 알아보려면 다음 샘플 노트북을 참조하십시오.

에서 사용할 TensorFlow 수 있는 패키지 및 Scikit-learn 모델 SageMaker

에서 개발한 알고리즘을 패키징하는 방법과 환경에서 교육 TensorFlow 및 배포하기 위한 scikit-learn 프레임워크를 패키징하는 방법을 알아보려면 다음 SageMaker 노트북을 참조하십시오. Dockerfiles를 사용하여 나만의 Docker 컨테이너를 작성, 등록 및 배포하는 방법을 보여줍니다.

신경망을 훈련하고 배포해 보세요. SageMaker

MXNet TensorFlow 또는 를 사용하여 로컬에서 신경망을 훈련시킨 다음 학습된 모델에서 엔드포인트를 생성하여 배포하는 방법을 알아보려면 다음 SageMaker 노트북을 참조하십시오. MXNet 모델은 MNIST 데이터 세트에서 필기 번호를 인식하도록 훈련되었습니다. TensorFlow 모델은 홍채를 분류하도록 훈련되었습니다.

파이프 모드를 사용한 훈련

Dockerfile을 사용하여 train.py script를 호출하는 컨테이너를 작성하고 파이프 모드를 사용하여 알고리즘을 사용자 정의하는 방법을 배우려면 다음 노트북을 참조하십시오. 파이프 모드에서는 입력 데이터가 학습 중에 알고리즘으로 전송됩니다. 이렇게 하면 파일 모드를 사용할 때보다 훈련 시간이 줄어들 수 있습니다.

나만의 R 모델 가져오기

사용자 지정 R 이미지 추가를 사용하여 AWS SMS 노트북에서 모델을 구축하고 훈련하는 방법을 알아보려면 다음 블로그 게시물을 참고하십시오. 이 블로그 게시물에서는 SageMakerStudio Classic 커스텀 이미지 샘플 라이브러리의 샘플 R Dockerfile을 사용합니다.

사전 빌드된 PyTorch 컨테이너 확장 이미지

사전 빌드된 Docker 이미지가 지원하지 않는 알고리즘 또는 모델에 대한 추가 기능 요구 사항이 있을 때 사전 빌드된 SageMaker PyTorch 컨테이너 이미지를 확장하는 방법을 알아보려면 다음 노트북을 참조하십시오.

컨테이너 확장에 대한 자세한 내용은 사전 구축된 컨테이너 확장을 참고하십시오.

사용자 지정 컨테이너에서 훈련 작업을 훈련하고 디버깅하기

Debugger를 사용하여 교육 작업을 학습 및 SageMaker 디버깅하는 방법을 알아보려면 다음 노트북을 참조하십시오. 이 예제를 통해 제공된 교육 스크립트는 TensorFlow Keras ResNet 50 모델과 CIFAR10 데이터세트를 사용합니다. Docker 사용자 지정 컨테이너는 훈련 스크립트를 사용하여 구축되고 Amazon ECR에 푸시됩니다. 훈련 작업이 실행되는 동안 Debugger는 텐서 출력을 수집하고 디버깅 문제를 식별합니다. smdebug 클라이언트 라이브러리 도구를 사용하면 사용자는 훈련 작업 및 디버깅 정보를 호출하는 smdebug 평가판 객체를 설정하고, 훈련 및 디버거 규칙 상태를 확인하고, Amazon S3 버킷에 저장된 텐서를 검색하여 훈련 문제를 분석할 수 있습니다.