Use o estimador SageMaker genérico para estender contêineres pré-construídos DLC - Amazon SageMaker

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.

Use o estimador SageMaker genérico para estender contêineres pré-construídos DLC

Você pode personalizar contêineres SageMaker pré-criados ou estendê-los para lidar com quaisquer requisitos funcionais adicionais para seu algoritmo ou modelo que a imagem pré-criada do SageMaker Docker não suporte. Para ver um exemplo de como você pode estender um contêiner pré-compilado, consulte Estender um contêiner pré-compilado.

Para estender um contêiner pré-compilado ou adaptar seu próprio contêiner para usar a biblioteca, você deve usar uma das imagens listadas em Estruturas compatíveis.

nota

A partir das TensorFlow versões 2.4.1 e PyTorch 1.8.1, a SageMaker estrutura DLCs oferece suporte a tipos de instância EFA habilitados. Recomendamos que você use as DLC imagens que contenham TensorFlow 2.4.1 ou posterior e PyTorch 1.8.1 ou posterior.

Por exemplo, se você usa PyTorch, seu Dockerfile deve conter uma FROM declaração semelhante à seguinte:

# SageMaker PyTorch image
FROM 763104351884.dkr.ecr.<aws-region>.amazonaws.com/pytorch-training:<image-tag>

ENV PATH="/opt/ml/code:${PATH}"

# this environment variable is used by the SageMaker PyTorch container to determine our user code directory.
ENV SAGEMAKER_SUBMIT_DIRECTORY /opt/ml/code

# /opt/ml and all subdirectories are utilized by SageMaker, use the /code subdirectory to store your user code.
COPY train.py /opt/ml/code/train.py

# Defines cifar10.py as script entrypoint
ENV SAGEMAKER_PROGRAM train.py

Você pode personalizar ainda mais seu próprio contêiner Docker para trabalhar SageMaker usando o kit de ferramentas de SageMaker treinamento e o arquivo binário da biblioteca paralela de SageMaker dados distribuídos. Para saber mais, consulte as instruções na seção a seguir.