기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.
알고리즘 리소스 생성
Amazon에서 교육 작업을 SageMaker 실행하고 게시하는 데 사용할 수 있는 알고리즘 리소스를 생성하려면 다음 정보를 AWS Marketplace 지정하십시오.
-
훈련 코드와 경우에 따라서는 추론 코드를 포함하고 있는 Docker 컨테이너
-
훈련을 위해 알고리즘에 필요한 입력 데이터의 구성
-
알고리즘에서 지원하는 하이퍼파라미터
-
교육 작업 CloudWatch 중에 알고리즘이 Amazon에 보내는 지표.
-
훈련 및 추론을 위해 알고리즘이 지원하는 인스턴스 유형 및 알고리즘이 여러 인스턴스 간에 분산된 훈련을 지원하는지 여부
-
검증 프로파일은 알고리즘의 교육 코드를 테스트하는 데 SageMaker 사용하는 교육 작업과 알고리즘의 추론 코드를 테스트하기 위해 SageMaker 실행되는 일괄 변환 작업입니다.
구매자 및 판매자가 SageMaker에서 제품이 작동할 것이라고 확신할 수 있도록 Amazon에서는 AWS Marketplace에서 등록하기 전에 알고리즘을 검증하도록 요구하고 있습니다. 검증이 성공한 AWS Marketplace 경우에만 제품을 목록에 올릴 수 있습니다. 알고리즘을 검증하려면 검증 프로필과 샘플 데이터를 SageMaker 사용하여 다음 검증 작업을 실행합니다.
-
계정에서 훈련 작업을 생성하여 훈련 이미지가 제대로 작동하는지 확인하세요. SageMaker
-
알고리즘에 추론 코드를 포함한 경우에는 알고리즘의 추론 이미지 및 훈련 작업에서 생성된 모델 결과물을 사용하여 사용자 계정에서 모델을 생성합니다.
-
알고리즘에 추론 코드를 포함한 경우 모델을 사용하여 계정에서 변환 작업을 생성하여 추론 이미지가 호환되는지 확인하세요. SageMaker
상품을 리스팅할 때 이 검증 프로세스의 입력과 출력은 상품의 일부로 유지되며 구매자가 이용할 수 있습니다. AWS Marketplace이러한 입력 및 출력을 통해 구매자는 구입 전 제품을 파악하고 평가할 수 있습니다. 예를 들어, 구매자는 사용된 입력 데이터, 생성된 출력과 코드에서 내보낸 로그 및 지표를 검사할 수 있습니다. 검증 사양이 포괄적일수록 고객이 제품을 보다 쉽게 평가할 수 있습니다.
참고
검증 프로필에서는 공개하려는 데이터만 제공합니다.
검증에는 최대 몇 시간 가량 걸릴 수 있습니다. 계정의 작업 상태를 보려면 SageMaker 콘솔에서 교육 작업 및 변환 작업 페이지를 참조하십시오. 검증에 실패하면 SageMaker 콘솔에서 스캔 및 검증 보고서에 액세스할 수 있습니다. 문제가 발생하면 알고리즘을 다시 생성해야 합니다.
참고
알고리즘을 AWS Marketplace게시하려면 하나 이상의 검증 프로필이 필요합니다.
-
SageMaker 콘솔이나 SageMaker API를 사용하여 알고리즘을 생성할 수 있습니다.
알고리즘 리소스 생성(콘솔)
알고리즘 리소스를 생성하려면(콘솔)
-
https://console.aws.amazon.com/sagemaker/
에서 SageMaker 콘솔을 엽니다. -
왼쪽 메뉴에서 훈련을 선택합니다.
-
드롭다운 메뉴에서 알고리즘을 선택한 다음 알고리즘 생성을 선택합니다.
-
훈련 사양 페이지에서 다음 정보를 제공합니다.
-
알고리즘 이름에 알고리즘의 이름을 입력합니다. 알고리즘 이름은 계정과 AWS 지역 내에서 고유해야 합니다. 이름은 1~64자여야 합니다. 유효한 문자는 a-z, A-Z, 0-9 및 –(하이픈)입니다.
-
알고리즘에 대한 설명을 입력합니다. 이 설명은 SageMaker 콘솔과 에 표시됩니다 AWS Marketplace.
-
훈련 이미지의 경우, 훈련 컨테이너가 저장되어 있는 Amazon ECR에서의 경로를 입력합니다.
-
알고리즘이 여러 인스턴스에 대한 훈련을 지원하는 경우 분산 훈련 지원에서 예를 선택합니다. 그렇지 않은 경우 아니요를 선택합니다.
-
훈련용 인스턴스 유형 지원에서 알고리즘에서 지원하는 인스턴스 유형을 선택합니다.
-
채널 사양에, 알고리즘에 대한 입력 데이터 채널을 지정합니다( 최대 8개). 예를 들어
train
,validation
및test
라는 입력 채널 3개를 지정할 수 있습니다. 각 채널에 대해 다음 정보를 지정합니다.-
채널 이름에 채널의 이름을 입력합니다. 이름은 1~64자여야 합니다. 유효한 문자는 a-z, A-Z, 0-9 및 –(하이픈)입니다.
-
알고리즘에서 채널을 요구하게 하려면 채널 필요를 선택합니다.
-
채널에 대한 설명을 입력합니다.
-
지원되는 입력 모드에서, 알고리즘에서 입력 데이터 스트리밍을 지원하면 파이프 모드를 선택하고, 알고리즘에서 파일로 입력 데이터 다운로드를 지원하면 파일 모드를 선택합니다. 사용자는 두 가지 모드를 모두 선택할 수도 있습니다.
-
지원되는 콘텐츠 유형에, 알고리즘에서 입력 데이터에 대해 원하는 MIME 유형을 입력합니다.
-
알고리즘에서 Gzip 압축을 지원하는 경우에는 지원되는 압축 유형에서 Gzip을 선택합니다. 그렇지 않다면 없음을 선택합니다.
-
다른 데이터 입력 채널을 추가하려면 채널 추가를 선택하고, 채널을 모두 추가했으면 다음을 선택합니다.
-
-
-
튜닝 사양 페이지에서 다음 정보를 제공합니다.
-
하이퍼파라미터 사양에서, JSON 객체를 편집하여 알고리즘에서 지원하는 하이퍼파라미터를 지정합니다. 알고리즘에서 지원하는 각 하이퍼파라미터에 대해 다음과 유사하게 JSON 블록을 구성합니다.
{ "DefaultValue": "5", "Description": "The first hyperparameter", "IsRequired": true, "IsTunable": false, "Name": "intRange", "Range": { "IntegerParameterRangeSpecification": { "MaxValue": "10", "MinValue": "1" }, "Type": "Integer" }
JSON에서 다음 정보를 입력합니다.
-
DefaultValue
로 하이퍼파라미터(하나 있는 경우)에 대한 기본값을 지정합니다. -
Description
으로 하이퍼파라미터에 대한 설명을 지정합니다. -
IsRequired
로 하이퍼파라미터가 필요한지 여부를 지정합니다. -
사용자가 이 알고리즘을 사용하는 하이퍼파라미터 튜닝 작업을 실행할 때 이 하이퍼파라미터를 튜닝 가능하도록 하려면
IsTunable
로true
를 지정합니다. 자세한 내용은 를 사용하여 자동 모델 튜닝을 수행하십시오. SageMaker 섹션을 참조하세요. -
Name
으로 하이퍼파라미터에 대한 이름을 지정합니다. -
Range
로 다음 중 하나를 지정합니다.-
IntegerParameterRangeSpecification
- 하이퍼파라미터의 값이 정수입니다. 하이퍼파라미터에 대한 최대 및 최소 값을 지정합니다. -
ContinuousParameterRangeSpecification
- 하이퍼파라미터의 값이 부동 소수점 값입니다. 하이퍼파라미터에 대한 최대 및 최소 값을 지정합니다. -
CategoricalParameterRangeSpecification
- 하이퍼파라미터의 값이 카테고리 값입니다. 가능한 모든 값 목록을 지정합니다.
-
-
Type
으로Integer
,Continuous
또는Categorical
을 지정합니다. 이 값은 지정한Range
유형에 해당해야 합니다.
-
-
지표 정의의 경우 알고리즘에서 내보낼 훈련 지표를 모두 지정하십시오. SageMaker 지정한 정규 표현식을 사용하여 훈련 중에 훈련 컨테이너에서 로그를 구문 분석하여 메트릭을 찾습니다. 사용자는 알고리즘으로 교육 작업을 실행할 때 이러한 지표를 볼 수 있으며 Amazon에서 지표를 모니터링하고 플로팅할 수 CloudWatch 있습니다. 자세한 내용은 Amazon CloudWatch 메트릭을 사용한 교육 작업 모니터링 및 분석 섹션을 참조하세요. 각 지표에 대해 다음 정보를 제공합니다.
-
지표 이름에 지표의 이름을 입력합니다.
-
의 경우
Regex
, 지표 값을 찾을 수 있도록 교육 로그를 구문 분석하는 데 SageMaker 사용하는 정규 표현식을 입력하십시오. -
이 지표를 하이퍼파라미터 튜닝 작업의 목표 지표로 사용할 수 있는 경우 목표 지표 지원에 대해 예를 선택합니다. 자세한 내용은 를 사용하여 자동 모델 튜닝을 수행하십시오. SageMaker 을 참조하십시오.
-
다른 지표를 추가하려면 지표 추가를 선택하고 지표 추가를 마친 경우에는 다음을 선택합니다.
-
-
-
알고리즘이 추론을 지원하는 경우 추론 사양 페이지에서 다음 정보를 제공합니다.
-
추론 이미지 위치에는 추론 컨테이너가 저장된 Amazon ECR의 경로를 입력합니다.
-
컨테이너 DNS 호스트 이름에 이미지의 DNS 호스트 이름을 입력합니다.
-
Supported instance types for real-time inference(실시간 추론에 지원되는 인스턴스 유형)의 SageMaker에서 호스팅 엔드포인트로 배포된 모델에 대해 알고리즘에서 지원하는 인스턴스 유형을 선택합니다. 자세한 내용은 추론 모델 배포 섹션을 참조하세요.
-
배치 변환 작업에 지원되는 인스턴스 유형에서, 알고리즘이 배치 변환 작업에 대해 지원하는 인스턴스 유형을 선택합니다. 자세한 내용은 배치 변환을 사용하여 Amazon에서 추론 실행 SageMaker 섹션을 참조하세요.
-
지원되는 콘텐츠 유형에, 추론 요청을 위해 알고리즘에 필요한 입력 데이터 유형을 입력합니다.
-
지원되는 응답 MIME 유형에, 추론 응답에 대해 알고리즘에서 지원하는 MIME 유형을 입력합니다.
-
다음을 선택합니다.
-
-
검증 사양 페이지에서 다음 정보를 제공합니다.
-
이 알고리즘 게시 위치의 AWS Marketplace 경우 [예] 를 선택하여 알고리즘을 AWS Marketplace게시합니다.
-
알고리즘의 훈련 및/또는 추론 코드를 SageMaker 테스트하기 위해 지정한 교육 작업 및/또는 배치 변환 작업을 실행하려면 이 리소스 검증에서 [예] 를 선택합니다.
참고
알고리즘을 게시하려면 알고리즘을 검증해야 합니다. AWS Marketplace
-
IAM 역할의 경우, 교육 작업 및 일괄 변환 작업을 실행하는 데 필요한 권한이 있는 IAM 역할을 선택하거나 Create a new role (Create a new role) 를 선택하여 관리형 정책이 연결된 역할을 생성할 수 있도록 SageMaker 하십시오. SageMaker
AmazonSageMakerFullAccess
자세한 내용은 SageMaker 실행 역할 사용 방법 섹션을 참조하세요. -
검증 프로필에서 다음을 지정합니다.
-
검증 프로필의 이름
-
훈련 작업 정의. 훈련 작업을 설명하는 JSON 블록입니다.
CreateAlgorithm
API의TrainingJobDefinition
입력 파라미터와 형식이 동일합니다. -
변환 작업 정의. 배치 변환 작업을 설명하는 JSON 블록입니다.
CreateAlgorithm
API의TransformJobDefinition
입력 파라미터와 형식이 동일합니다.
-
-
알고리즘 생성을 선택합니다.
-
알고리즘 리소스 생성(API)
API를 사용하여 알고리즘 리소스를 생성하려면 SageMaker API를 호출하십시오. CreateAlgorithm