Como a Amazon SageMaker AI executa sua imagem de treinamento - SageMaker IA da Amazon

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.

Como a Amazon SageMaker AI executa sua imagem de treinamento

Você pode usar um script de ponto de entrada personalizado para automatizar a infraestrutura para treinar em um ambiente de produção. Se você passar seu script de ponto de entrada para o contêiner do Docker, também poderá executá-lo como um script independente sem reconstruir suas imagens. SageMaker A IA processa sua imagem de treinamento usando um script de ponto de entrada do contêiner Docker.

Esta seção mostra como usar um ponto de entrada personalizado sem o uso do kit de ferramentas de treinamento. Se você quiser usar um ponto de entrada personalizado, mas não estiver familiarizado com a configuração manual de um contêiner do Docker, recomendamos que você use a biblioteca do kit de ferramentas de SageMaker treinamento. Para mais informações sobre como utilizar o kit de ferramentas de treino, consulte Como adaptar o próprio contêiner de treinamento.

Por padrão, a SageMaker IA procura um script chamado train dentro do seu contêiner. Você também pode fornecer manualmente seu próprio ponto de entrada personalizado usando os ContainerEntrypoint parâmetros ContainerArguments e da AlgorithmSpecificationAPI.

Você tem as duas opções a seguir para configurar manualmente o contêiner do Docker para executar sua imagem.

  • Use a CreateTrainingJobAPI e um contêiner do Docker com uma instrução de ponto de entrada contida nele.

  • Use a API CreateTrainingJob e aprove o script de treinamento de fora do contêiner do Docker.

Se você aprovar o script de treinamento de fora do contêiner do Docker, não precisará reconstruir o contêiner do Docker ao atualizar o script. Você também pode usar vários scripts diferentes para serem executados no mesmo contêiner.

Seu script de ponto de entrada deve conter o código de treinamento para sua imagem. Se você usar o parâmetro opcional source_dir dentro de um estimador, ele deverá referenciar o caminho relativo do Amazon S3 para a pasta que contém o script de ponto de entrada. Você pode referenciar vários arquivos usando o parâmetro source_dir. Se você não usar o source_dir, poderá especificar o ponto de entrada usando o parâmetro entry_point. Para ver um exemplo de um script de ponto de entrada personalizado que contém um estimador, consulte Traga seu próprio modelo com SageMaker o modo de script AI.

SageMaker O treinamento do modelo de IA oferece suporte a buckets de diretório S3 Express One Zone de alto desempenho como um local de entrada de dados para o modo de arquivo, modo de arquivo rápido e modo pipe. Você também pode usar buckets de diretório da classe S3 Express One Zone para armazenar os resultados do treinamento. Para usar o S3 Express One Zone, forneça o URI de um bucket de diretório do S3 Express One Zone em vez de um bucket de uso geral do Amazon S3. Você só pode criptografar seus dados de saída de SageMaker IA em buckets de diretório com criptografia do lado do servidor com chaves gerenciadas do Amazon S3 (SSE-S3). Atualmente, a criptografia do lado do servidor com AWS KMS chaves (SSE-KMS) não é suportada para armazenar dados de saída de SageMaker IA em buckets de diretório. Para obter mais informações, consulte S3 Express One Zone.

Execute um trabalho de treinamento com um script de ponto de entrada incluído no contêiner do Docker

SageMaker A IA pode executar um script de ponto de entrada incluído em seu contêiner Docker.

  • Por padrão, o Amazon SageMaker AI executa o seguinte contêiner.

    docker run image train
  • SageMaker A IA substitui todas as instruções CMD padrão em um contêiner especificando o train argumento após o nome da imagem. No arquivo do contêiner do Docker, use o formulário exec da instrução ENTRYPOINT.

    ENTRYPOINT ["executable", "param1", "param2", ...]

    O exemplo a seguir mostra como especificar uma instrução de ponto de entrada do python chamada k-means-algorithm.py.

    ENTRYPOINT ["python", "k-means-algorithm.py"]

    A forma exec da instrução ENTRYPOINT inicia o executável diretamente, não como elemento filho de /bin/sh. Isso permite que ele receba sinais SIGKILL de SIGTERM e para SageMaker APIs. As condições a seguir se aplicam ao usar SageMaker APIs o.

    • A CreateTrainingJobAPI tem uma condição de parada que faz com que a SageMaker IA interrompa o treinamento do modelo após um tempo específico.

    • A seguir, a API do StopTrainingJob. Esta API emite o equivalente do docker stop, com um comando de tempo limite de 2 minutos, para interromper tranquilamente o contêiner especificado.

      docker stop -t 120

      Para tentar interromper o contêiner em execução, o comando envia um sinal SIGTERM. Após o tempo limite de 2 minutos, a API envia SIGKILL e interrompe os contêineres à força. Se o contêiner manipula o sinal SIGTERM com tranquilidade e sai dentro de 120 segundos após recebê-lo, nenhum sinal SIGKILL é enviado.

    Se você quiser acessar os artefatos do modelo intermediário depois que a SageMaker IA interromper o treinamento, adicione código para lidar com o salvamento de artefatos em seu SIGTERM manipulador.

  • Se você planeja usar dispositivos de GPU para treinamento de modelos, os contêineres devem ser compatíveis com nvidia-docker. Somente o kit de ferramentas CUDA deve ser incluído em contêineres. Não empacote drivers NVIDIA com a imagem. Para obter mais informações sobre o nvidia-docker, consulte NVIDIA/nvidia-docker.

  • Você não pode usar o tini inicializador como seu script de ponto de entrada em contêineres de SageMaker IA porque ele fica confuso com os argumentos e. train serve

  • /opt/mle todos os subdiretórios são reservados por SageMaker treinamento. Ao criar a imagem do Docker do seu algoritmo, certifique-se de não colocar nenhum dado exigido pelo seu algoritmo nesse diretório. Porque se você fizer isso, os dados podem não estar mais visíveis durante o treinamento.

Para agrupar seus scripts de shell ou Python em sua imagem do Docker, ou para fornecer o script em um bucket do Amazon S3 ou usando a AWS Command Line Interface (CLI), continue na seção a seguir.

Agrupe o script de shell em um contêiner do Docker

Se você quiser agrupar um script de shell personalizado em sua imagem do Docker, use as etapas a seguir.

  1. Copie o script de shell do diretório de trabalho para dentro do contêiner do Docker. O trecho de código a seguir copia um script de ponto de entrada personalizado custom_entrypoint.sh do diretório de trabalho atual para um contêiner do Docker localizado em mydir. O exemplo a seguir pressupõe que a imagem do Docker de base tem o Python instalado.

    FROM <base-docker-image>:<tag> # Copy custom entrypoint from current dir to /mydir on container COPY ./custom_entrypoint.sh /mydir/
  2. Crie e envie um contêiner do Docker para o Amazon Elastic Container Registry (Amazon ECR) seguindo as instruções em Enviar uma imagem do Docker no Guia do usuário do Amazon ECR.

  3. Inicie o trabalho de treinamento executando o AWS CLI comando a seguir.

    aws --region <your-region> sagemaker create-training-job \ --training-job-name <your-training-job-name> \ --role-arn <your-execution-role-arn> \ --algorithm-specification '{ \ "TrainingInputMode": "File", \ "TrainingImage": "<your-ecr-image>", \ "ContainerEntrypoint": ["/bin/sh"], \ "ContainerArguments": ["/mydir/custom_entrypoint.sh"]}' \ --output-data-config '{"S3OutputPath": "s3://custom-entrypoint-output-bucket/"}' \ --resource-config '{"VolumeSizeInGB":10,"InstanceCount":1,"InstanceType":"ml.m5.2xlarge"}' \ --stopping-condition '{"MaxRuntimeInSeconds": 180}'

Agrupe o script do Python em um contêiner do Docker

Para agrupar um script Python personalizado na imagem do Docker, use as etapas a seguir.

  1. Copie o script do Python do diretório de trabalho para dentro do contêiner do Docker. O trecho de código a seguir copia um script de ponto de entrada personalizado custom_entrypoint.py do diretório de trabalho atual para um contêiner do Docker localizado em mydir.

    FROM <base-docker-image>:<tag> # Copy custom entrypoint from current dir to /mydir on container COPY ./custom_entrypoint.py /mydir/
  2. Inicie o trabalho de treinamento executando o AWS CLI comando a seguir.

    --algorithm-specification '{ \ "TrainingInputMode": "File", \ "TrainingImage": "<your-ecr-image>", \ "ContainerEntrypoint": ["python"], \ "ContainerArguments": ["/mydir/custom_entrypoint.py"]}' \

Execute um trabalho de treinamento com um script de ponto de entrada fora do contêiner do Docker

Você pode usar seu próprio contêiner do Docker para treinamento e transmitir um script de ponto de entrada de fora do contêiner do Docker. Há alguns benefícios em estruturar seu script de ponto de entrada fora do contêiner. Se você atualizar o script do ponto de entrada, você não precisará reconstruir o contêiner do Docker. Você também pode usar vários scripts diferentes para serem executados no mesmo contêiner.

Especifique a localização do seu script de treinamento usando os ContainerArguments parâmetros ContainerEntrypoint e da AlgorithmSpecificationAPI. Esses pontos de entrada e argumentos se comportam da mesma maneira que os pontos de entrada e argumentos do Docker. Os valores nesses parâmetros substituem os correspondentes ENTRYPOINT ou CMD fornecidos como parte do contêiner do Docker.

Quando você passa o script de ponto de entrada personalizado para o contêiner de treinamento do Docker, as entradas que você fornece determinam o comportamento do contêiner.

  • Por exemplo, se você fornecer somenteContainerEntrypoint, a sintaxe da solicitação usando a CreateTrainingJob API será a seguinte.

    { "AlgorithmSpecification": { "ContainerEntrypoint": ["string"], ... } }

    Em seguida, o back-end de SageMaker treinamento executa seu ponto de entrada personalizado da seguinte maneira.

    docker run --entrypoint <ContainerEntrypoint> image
    nota

    Se ContainerEntrypoint for fornecido, o back-end de SageMaker treinamento executa a imagem com o ponto de entrada fornecido e substitui o padrão na imagem. ENTRYPOINT

  • Se você fornecer apenasContainerArguments, a SageMaker IA presume que o contêiner do Docker contém um script de ponto de entrada. A sintaxe da solicitação usando a API CreateTrainingJob é a seguinte:

    { "AlgorithmSpecification": { "ContainerArguments": ["arg1", "arg2"], ... } }

    O back-end de SageMaker treinamento executa seu ponto de entrada personalizado da seguinte maneira.

    docker run image <ContainerArguments>
  • Se você fornecer o ContainerEntrypoint e ContainerArguments, a sintaxe da solicitação usando a API CreateTrainingJob será a seguinte:

    { "AlgorithmSpecification": { "ContainerEntrypoint": ["string"], "ContainerArguments": ["arg1", "arg2"], ... } }

    O back-end de SageMaker treinamento executa seu ponto de entrada personalizado da seguinte maneira.

    docker run --entrypoint <ContainerEntrypoint> image <ContainerArguments>

Você pode usar qualquer fonte InputDataConfig compatível na API CreateTrainingJob para fornecer um script de ponto de entrada para executar a imagem de treinamento.

Forneça o script de ponto de entrada em um bucket do Amazon S3

Para fornecer um script de ponto de entrada personalizado usando um bucket do S3, use o S3DataSource parâmetro da DataSourceAPI para especificar a localização do script. Se você usar o parâmetro S3DataSource, os itens a seguir serão obrigatórios:

O exemplo a seguir tem um script chamado custom_entrypoint.sh colocado em um caminho para um bucket s3://<bucket-name>/<bucket prefix>/custom_entrypoint.sh do S3.

#!/bin/bash echo "Running custom_entrypoint.sh" echo "Hello you have provided the following arguments: " "$@"

Em seguida, você deve definir a configuração do canal de dados de entrada para executar um trabalho de treinamento. Faça isso usando o AWS CLI diretamente ou com um arquivo JSON.

Configure o canal de dados de entrada usando AWS CLI um arquivo JSON

Para configurar seu canal de dados de entrada com um arquivo JSON, use AWS CLI conforme mostrado na estrutura de código a seguir. Certifique-se de que todos os campos a seguir usem a sintaxe de solicitação definida na CreateTrainingJobAPI.

// run-my-training-job.json { "AlgorithmSpecification": { "ContainerEntrypoint": ["/bin/sh"], "ContainerArguments": ["/opt/ml/input/data/<your_channel_name>/custom_entrypoint.sh"], ... }, "InputDataConfig": [ { "ChannelName": "<your_channel_name>", "DataSource": { "S3DataSource": { "S3DataDistributionType": "FullyReplicated", "S3DataType": "S3Prefix", "S3Uri": "s3://<bucket-name>/<bucket_prefix>" } }, "InputMode": "File", }, ...] }

Em seguida, execute o AWS CLI comando para iniciar o trabalho de treinamento a partir do arquivo JSON da seguinte maneira.

aws sagemaker create-training-job --cli-input-json file://run-my-training-job.json

Configure o canal de dados de entrada usando AWS CLI diretamente

Para configurar seu canal de dados de entrada sem um arquivo JSON, use a estrutura de AWS CLI código a seguir.

aws --region <your-region> sagemaker create-training-job \ --training-job-name <your-training-job-name> \ --role-arn <your-execution-role-arn> \ --algorithm-specification '{ \ "TrainingInputMode": "File", \ "TrainingImage": "<your-ecr-image>", \ "ContainerEntrypoint": ["/bin/sh"], \ "ContainerArguments": ["/opt/ml/input/data/<your_channel_name>/custom_entrypoint.sh"]}' \ --input-data-config '[{ \ "ChannelName":"<your_channel_name>", \ "DataSource":{ \ "S3DataSource":{ \ "S3DataType":"S3Prefix", \ "S3Uri":"s3://<bucket-name>/<bucket_prefix>", \ "S3DataDistributionType":"FullyReplicated"}}}]' \ --output-data-config '{"S3OutputPath": "s3://custom-entrypoint-output-bucket/"}' \ --resource-config '{"VolumeSizeInGB":10,"InstanceCount":1,"InstanceType":"ml.m5.2xlarge"}' \ --stopping-condition '{"MaxRuntimeInSeconds": 180}'