View a markdown version of this page

SageMaker Empregos de treinamento em IA - SageMaker IA da Amazon
Visão geral doIntrodução

As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.

SageMaker Empregos de treinamento em IA

O Amazon SageMaker AI Training Jobs é um serviço totalmente gerenciado que você pode usar para treinar AI/ML modelos em grande escala com eficiência. Com o SageMaker AI Training Jobs, você pode selecionar e gerenciar instâncias de computação para personalização do modelo. Você tem controle total sobre o tipo e a configuração da instância. Os trabalhos são efêmeros — as instâncias são provisionadas durante o treinamento e liberadas quando concluídas. Para obter mais informações sobre trabalhos de treinamento em SageMaker IA, consulte Treinar um modelo com a Amazon SageMaker AI.

Para uma experiência totalmente gerenciada sem a seleção de instâncias, consultePersonalização de modelos sem servidor.

Visão geral do

Disponibilidade regional

SageMaker As vagas de treinamento em IA estão disponíveis em todas as regiões de SageMaker IA.

Interfaces

Fórmulas

Execute receitas de treinamento pré-configuradas usando o SageMaker AI Recipes. As receitas funcionam com trabalhos de treinamento de SageMaker IA e automatizam o carregamento de conjuntos de dados HyperPod, o treinamento distribuído e o gerenciamento de pontos de verificação.

PythonSDK VERSÃO 3 () ModelTrainer

Use a ModelTrainer classe do SageMaker AI Python SDK para enviar trabalhos de treinamento de forma programática com controle total sobre a seleção e a configuração da instância.

from sagemaker.modules.train import ModelTrainer
from sagemaker.modules.configs import Compute, InputData

trainer = ModelTrainer(
    training_image="my-training-image",
    role="arn:aws:iam::123456789012:role/SageMakerRole",
    compute=Compute(instance_type="ml.p4d.24xlarge", instance_count=2)
)

trainer.train(input_data_config=[
    InputData(channel_name="training", data_source="s3://my-bucket/train")
])
Studio (modelos antigos)

Para modelos mais antigos, use o cartão de detalhes do modelo → botão Treinar no Studio. Esse fluxo permite a seleção de instâncias e a configuração de hiperparâmetros.

Técnicas suportadas

  • SFT, DPO, RLVR, RLAIF (via Receitas)

  • PPO (somente modelos Amazon Nova)

  • CPT (continuação Pre-Training)

Tipos de treinamento compatíveis

  • LoRA

  • FFT (Completo Fine-Tuning)

Introdução

Para começar com trabalhos de treinamento em SageMaker IA usando receitas:

  1. Clone o repositório de receitas: 

    git clone --recursive https://github.com/aws/sagemaker-hyperpod-recipes.git
cd sagemaker-hyperpod-recipes
pip3 install -r requirements.txt

  2. Escolha uma receita recipes_collection/recipes/fine-tuning/ para seu modelo e técnica.

  3. Configure seu caminho de dados de treinamento e hiperparâmetros no arquivo YAML da receita.

  4. Inicie o trabalho de treinamento usando o script do inicializador.

Para tutoriais detalhados, consulte a documentação de HyperPod receitas de SageMaker IA.