체크포인트 지정 활성화

체크포인트를 활성화하면 SageMaker AI는 체크포인트를 Amazon S3에 저장하고 훈련 작업을 체크포인트 S3 버킷과 동기화합니다. 체크포인트 S3 버킷에 S3 범용 버킷 또는 S3 디렉터리 버킷을 사용할 수 있습니다.

다음 예제에서는 SageMaker AI 예측기를 구성할 때 체크포인트 경로를 구성하는 방법을 보여줍니다. 체크포인트 지정을 활성화하려면 checkpoint_s3_uri 파라미터 및 checkpoint_local_path 파라미터를 예측기에 추가하세요.

다음 예제 템플릿은 일반 SageMaker AI 예측기를 생성하고 체크포인트를 활성화하는 방법을 보여줍니다. image_uri 파라미터를 지정하면 이 템플릿을 지원 대상 알고리즘에 사용할 수 있습니다. SageMaker AI에서 지원하는 체크포인트가 있는 알고리즘에 대한 Docker 이미지 URIs를 찾으려면 Docker 레지스트리 경로 및 예제 코드를 참조하세요. 또한 estimator 및를 , , 및 Estimator와 같은 다른 SageMaker AI 프레임워크의 예측기 상위 클래스 및 예측기 클래스로 교체할 수 TensorFlow PyTorch MXNet HuggingFace 있습니다XGBoost.

import sagemaker
from sagemaker.estimator import Estimator

bucket=sagemaker.Session().default_bucket()
base_job_name="sagemaker-checkpoint-test"
checkpoint_in_bucket="checkpoints"

# The S3 URI to store the checkpoints
checkpoint_s3_bucket="s3://{}/{}/{}".format(bucket, base_job_name, checkpoint_in_bucket)

# The local path where the model will save its checkpoints in the training container
checkpoint_local_path="/opt/ml/checkpoints"

estimator = Estimator(
    ...
    image_uri="<ecr_path>/<algorithm-name>:<tag>" # Specify to use built-in algorithms
    output_path=bucket,
    base_job_name=base_job_name,
    
    # Parameters required to enable checkpointing
    checkpoint_s3_uri=checkpoint_s3_bucket,
    checkpoint_local_path=checkpoint_local_path
)

다음 2개 파라미터는 체크포인트 지정용 경로를 지정합니다.

SageMaker AI 예측기 파라미터의 전체 목록을 찾으려면 Amazon SageMaker Python SDK 설명서의 예측기 API를 참조하세요.