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.

Exemplos e mais informações: use seu próprio algoritmo ou modelo

Os seguintes notebooks Jupyter e informações adicionais mostram como usar seus próprios algoritmos ou modelos pré-treinados a partir de uma instância de notebook da Amazon. SageMaker Para obter links para os GitHub repositórios com os Dockerfiles pré-criados para o TensorFlow, MXNet, Chainer e PyTorch estruturas e instruções sobre como usar o para executar seus próprios algoritmos de treinamento no SageMaker AI Learner e seus próprios modelos na hospedagem de IA, consulte AWS SDK for Python (Boto3) ModelTrainers SageMaker Imagens pré-criadas do SageMaker AI Docker para aprendizado profundo

Configuração

Modelos hospedados treinados em Scikit-learn

Para saber como hospedar modelos treinados Scikit-learn para fazer previsões em SageMaker IA injetando-os em contêineres k-means e XGBoost primários, consulte os seguintes exemplos de cadernos.

Pacote TensorFlow e Scikit-learn modelos para uso em SageMaker IA

Para saber como empacotar algoritmos que você desenvolveu TensorFlow e estruturas do scikit-learn para treinamento e implantação no ambiente de SageMaker IA, consulte os cadernos a seguir. Eles mostram como criar, registrar e implantar seus próprios contêineres do Docker usando Dockerfiles.

Treine e implante uma rede neural em SageMaker IA

Para saber como treinar uma rede neural localmente usando o MXNet ou e TensorFlow, em seguida, criar um endpoint a partir do modelo treinado e implantá-lo na SageMaker IA, consulte os notebooks a seguir. O modelo do MXNet é treinado para reconhecer números manuscritos do conjunto de dados MNIST. O TensorFlow modelo é treinado para classificar íris.

Treinamento usando o Modo Pipe

Para saber como usar um Dockerfile para criar um contêiner que chame o train.py script e use o modo de pipe para treinar um algoritmo personalizado, consulte o caderno a seguir. No modo de pipe, os dados de entrada são transferidos para o algoritmo durante o treinamento. Isso pode diminuir o tempo de treinamento em comparação ao uso do modo de arquivo.

Traga seus próprios modelos em R

Para saber como adicionar uma imagem no R personalizada para criar e treinar um modelo em um caderno do AWS SMS , consulte a publicação do blog a seguir. Esta postagem do blog usa uma amostra do Dockerfile R de uma biblioteca de amostras de imagens personalizadas do SageMaker AI Studio Classic.

Estenda uma imagem de PyTorch contêiner pré-construída

Para saber como estender uma imagem de PyTorch contêiner de SageMaker IA pré-criada quando você tem requisitos funcionais adicionais para seu algoritmo ou modelo que a imagem pré-criada do Docker não suporta, consulte o caderno a seguir.

Para obter mais informações sobre como estender um contêiner, consulte Estender um Pre-built contêiner.

Treine e depure trabalhos de treinamento em um contêiner personalizado

Para saber como treinar e depurar trabalhos de treinamento usando o SageMaker Debugger, consulte o caderno a seguir. Um script de treinamento fornecido por meio deste exemplo usa o modelo TensorFlow Keras ResNet 50 e o conjunto de dados CIFAR10. Um contêiner personalizado do Docker é criado com o script de treinamento e enviado para o Amazon ECR. Enquanto o trabalho de treinamento está em execução, o Debugger coleta as saídas do tensor e identifica problemas de depuração. Com as ferramentas da biblioteca de clientes smdebug, você pode definir um objeto de teste smdebug que chama o trabalho de treinamento e as informações de depuração, verificar o status da regra de treinamento e do Debugger e recuperar tensores salvos em um bucket do Amazon S3 para analisar problemas de treinamento.