本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。 # 使用 `modeltransform` 命令进行模型转换 您可以使用 Neptune ML `modeltransform` 命令创建模型转换任务、检查其状态、停止它或列出所有活动的模型转换任务。 ## 使用 Neptune ML `modeltransform` 命令创建模型转换任务 用于创建增量转换任务的 Neptune ML `modeltransform` 命令（无需重新训练模型）如下所示： ------ #### [ AWS CLI ] ``` aws neptunedata start-ml-model-transform-job \ --endpoint-url https://{{your-neptune-endpoint}}:{{port}} \ --id "{{(a unique model-transform job ID)}}" \ --data-processing-job-id "{{(the job-id of a completed data-processing job)}}" \ --ml-model-training-job-id "{{(the job-id of a completed model-training job)}}" \ --model-transform-output-s3-location "s3://{{(your S3 bucket)}}/neptune-model-transform" ``` 有关更多信息，请参阅《 AWS CLI 命令参考》中的 [start-ml-model-transform-job](https://docs.aws.amazon.com/cli/latest/reference/neptunedata/start-ml-model-transform-job.html)。 ------ #### [ SDK ] ``` import boto3 from botocore.config import Config client = boto3.client( 'neptunedata', endpoint_url='https://{{your-neptune-endpoint}}:{{port}}', config=Config(read_timeout=None, retries={'total_max_attempts': 1}) ) response = client.start_ml_model_transform_job( id='{{(a unique model-transform job ID)}}', dataProcessingJobId='{{(the job-id of a completed data-processing job)}}', mlModelTrainingJobId='{{(the job-id of a completed model-training job)}}', modelTransformOutputS3Location='s3://{{(your S3 bucket)}}/neptune-model-transform' ) print(response) ``` ------ #### [ awscurl ] ``` awscurl https://{{your-neptune-endpoint}}:{{port}}/ml/modeltransform \ --region {{us-east-1}} \ --service neptune-db \ -X POST \ -H 'Content-Type: application/json' \ -d '{ "id" : "{{(a unique model-transform job ID)}}", "dataProcessingJobId" : "{{(the job-id of a completed data-processing job)}}", "mlModelTrainingJobId" : "{{(the job-id of a completed model-training job)}}", "modelTransformOutputS3Location" : "s3://{{(your S3 bucket)}}/neptune-model-transform" }' ``` **注意** 此示例假设您的 AWS 证书是在您的环境中配置的。{{us-east-1}}替换为 Neptune 集群的区域。 ------ #### [ curl ] ``` curl \ -X POST https://{{your-neptune-endpoint}}:{{port}}/ml/modeltransform \ -H 'Content-Type: application/json' \ -d '{ "id" : "{{(a unique model-transform job ID)}}", "dataProcessingJobId" : "{{(the job-id of a completed data-processing job)}}", "mlModelTrainingJobId" : "{{(the job-id of a completed model-training job)}}", "modelTransformOutputS3Location" : "s3://{{(your S3 bucket)}}/neptune-model-transform" }' ``` ------ 用于从已完成的 SageMaker AI 训练作业中创建任务的 Neptune ML `modeltransform` 命令如下所示： ------ #### [ AWS CLI ] ``` aws neptunedata start-ml-model-transform-job \ --endpoint-url https://{{your-neptune-endpoint}}:{{port}} \ --id "{{(a unique model-transform job ID)}}" \ --training-job-name "{{(name of a completed SageMaker training job)}}" \ --model-transform-output-s3-location "s3://{{(your S3 bucket)}}/neptune-model-transform" ``` 有关更多信息，请参阅《 AWS CLI 命令参考》中的 [start-ml-model-transform-job](https://docs.aws.amazon.com/cli/latest/reference/neptunedata/start-ml-model-transform-job.html)。 ------ #### [ SDK ] ``` import boto3 from botocore.config import Config client = boto3.client( 'neptunedata', endpoint_url='https://{{your-neptune-endpoint}}:{{port}}', config=Config(read_timeout=None, retries={'total_max_attempts': 1}) ) response = client.start_ml_model_transform_job( id='{{(a unique model-transform job ID)}}', trainingJobName='{{(name of a completed SageMaker training job)}}', modelTransformOutputS3Location='s3://{{(your S3 bucket)}}/neptune-model-transform' ) print(response) ``` ------ #### [ awscurl ] ``` awscurl https://{{your-neptune-endpoint}}:{{port}}/ml/modeltransform \ --region {{us-east-1}} \ --service neptune-db \ -X POST \ -H 'Content-Type: application/json' \ -d '{ "id" : "{{(a unique model-transform job ID)}}", "trainingJobName" : "{{(name of a completed SageMaker training job)}}", "modelTransformOutputS3Location" : "s3://{{(your S3 bucket)}}/neptune-model-transform" }' ``` **注意** 此示例假设您的 AWS 证书是在您的环境中配置的。{{us-east-1}}替换为 Neptune 集群的区域。 ------ #### [ curl ] ``` curl \ -X POST https://{{your-neptune-endpoint}}:{{port}}/ml/modeltransform \ -H 'Content-Type: application/json' \ -d '{ "id" : "{{(a unique model-transform job ID)}}", "trainingJobName" : "{{(name of a completed SageMaker training job)}}", "modelTransformOutputS3Location" : "s3://{{(your S3 bucket)}}/neptune-model-transform" }' ``` ------ 用于创建使用自定义模型实现的任务的 Neptune ML `modeltransform` 命令如下所示： ------ #### [ AWS CLI ] ``` aws neptunedata start-ml-model-transform-job \ --endpoint-url https://{{your-neptune-endpoint}}:{{port}} \ --id "{{(a unique model-transform job ID)}}" \ --training-job-name "{{(name of a completed SageMaker training job)}}" \ --model-transform-output-s3-location "s3://{{(your Amazon S3 bucket)}}/neptune-model-transform/" \ --custom-model-transform-parameters '{ "sourceS3DirectoryPath": "s3://{{(your Amazon S3 bucket)}}/{{(path to your Python module)}}", "transformEntryPointScript": "{{(your transform script entry-point name in the Python module)}}" }' ``` 有关更多信息，请参阅《 AWS CLI 命令参考》中的 [start-ml-model-transform-job](https://docs.aws.amazon.com/cli/latest/reference/neptunedata/start-ml-model-transform-job.html)。 ------ #### [ SDK ] ``` import boto3 from botocore.config import Config client = boto3.client( 'neptunedata', endpoint_url='https://{{your-neptune-endpoint}}:{{port}}', config=Config(read_timeout=None, retries={'total_max_attempts': 1}) ) response = client.start_ml_model_transform_job( id='{{(a unique model-transform job ID)}}', trainingJobName='{{(name of a completed SageMaker training job)}}', modelTransformOutputS3Location='s3://{{(your Amazon S3 bucket)}}/neptune-model-transform/', customModelTransformParameters={ 'sourceS3DirectoryPath': 's3://{{(your Amazon S3 bucket)}}/{{(path to your Python module)}}', 'transformEntryPointScript': '{{(your transform script entry-point name in the Python module)}}' } ) print(response) ``` ------ #### [ awscurl ] ``` awscurl https://{{your-neptune-endpoint}}:{{port}}/ml/modeltransform \ --region {{us-east-1}} \ --service neptune-db \ -X POST \ -H 'Content-Type: application/json' \ -d '{ "id" : "{{(a unique model-transform job ID)}}", "trainingJobName" : "{{(name of a completed SageMaker training job)}}", "modelTransformOutputS3Location" : "s3://{{(your Amazon S3 bucket)}}/neptune-model-transform/", "customModelTransformParameters" : { "sourceS3DirectoryPath": "s3://{{(your Amazon S3 bucket)}}/{{(path to your Python module)}}", "transformEntryPointScript": "{{(your transform script entry-point name in the Python module)}}" } }' ``` **注意** 此示例假设您的 AWS 证书是在您的环境中配置的。{{us-east-1}}替换为 Neptune 集群的区域。 ------ #### [ curl ] ``` curl \ -X POST https://{{your-neptune-endpoint}}:{{port}}/ml/modeltransform \ -H 'Content-Type: application/json' \ -d '{ "id" : "{{(a unique model-transform job ID)}}", "trainingJobName" : "{{(name of a completed SageMaker training job)}}", "modelTransformOutputS3Location" : "s3://{{(your Amazon S3 bucket)}}/neptune-model-transform/", "customModelTransformParameters" : { "sourceS3DirectoryPath": "s3://{{(your Amazon S3 bucket)}}/{{(path to your Python module)}}", "transformEntryPointScript": "{{(your transform script entry-point name in the Python module)}}" } }' ``` ------ **用于创建 `modeltransform` 任务的参数** + **`id`** –（*可选*）新任务的唯一标识符。 *类型*：字符串。*默认*：自动生成的 UUID。 + **`dataProcessingJobId`**– 已完成的数据处理任务的任务 ID。 *类型*：字符串。 *注意*：必须同时包含 `dataProcessingJobId` 和 `mlModelTrainingJobId` 或 `trainingJobName`。 + **`mlModelTrainingJobId`** – 已完成的模型训练任务的任务 ID。 *类型*：字符串。 *注意*：必须同时包含 `dataProcessingJobId` 和 `mlModelTrainingJobId` 或 `trainingJobName`。 + **`trainingJobName`**— 已完成的 A SageMaker I 训练作业的名称。 *类型*：字符串。 *注意*：必须同时包含 `dataProcessingJobId` 和 `mlModelTrainingJobId` 参数或 `trainingJobName` 参数。 + **`sagemakerIamRoleArn`**—（*可选*）用于 A SageMaker I 执行的 IAM 角色的 ARN。 *类型*：字符串。*注意*：必须将其列在您的数据库集群参数组中，否则将发生错误。 + **`neptuneIamRoleArn`**—（*可选*）向 Neptune 提供 AI 和 A SageMaker mazon S3 资源访问权限的 IAM 角色的 ARN。 *类型*：字符串。*注意*：必须将其列在您的数据库集群参数组中，否则将发生错误。 + **`customModelTransformParameters `** –（*可选*）使用自定义模型进行模型转换的配置信息。`customModelTransformParameters` 对象包含以下字段，这些字段的值必须与训练任务中保存的模型参数兼容： + **`sourceS3DirectoryPath`** –（*必需*）实现您的模型的 Python 模块所在的 Amazon S3 位置的路径。这必须指向有效的现有 Amazon S3 位置，其中至少包含训练脚本、转换脚本和 `model-hpo-configuration.json` 文件。 + **`transformEntryPointScript`** –（*可选*）脚本模块中入口点的名称，该脚本应在确定超参数搜索中的最佳模型之后运行，以计算模型部署所需的模型构件。它应该能够在没有命令行参数的情况下运行。 *默认值*：`transform.py`。 + **`baseProcessingInstanceType`** –（*可选*）用于准备和管理机器学习模型训练的机器学习实例的类型。 *类型*：字符串。*注意*：这是根据用于处理转换数据和模型的内存要求选择的 CPU 实例。请参阅[为模型训练和模型转换选择实例](machine-learning-on-graphs-instance-selection.md#machine-learning-on-graphs-training-transform-instance-size)。 + **`baseProcessingInstanceVolumeSizeInGB`** –（*可选*）训练实例的磁盘卷大小。输入数据和输出模型都存储在磁盘上，因此卷大小必须足够大，以容纳两个数据集。 *类型*：整数。*默认值*：`0`。 *注意*：如果未指定或为 0，Neptune ML 会根据数据处理步骤中生成的建议选择磁盘卷大小。请参阅[为模型训练和模型转换选择实例](machine-learning-on-graphs-instance-selection.md#machine-learning-on-graphs-training-transform-instance-size)。 + **`subnets`**—（*可选*）Ne IDs ptune VPC 中的子网。 *类型*：字符串列表。*默认值*：*无*。 + **`securityGroupIds`**—（*可选*）VPC 安全组 IDs。 *类型*：字符串列表。*默认值*：*无*。 + **`volumeEncryptionKMSKey`**—（*可选*） SageMaker AI 用来加密连接到运行转换作业的 ML 计算实例的存储卷上的数据的 AWS Key Management Service (AWS KMS) 密钥。 *类型*：字符串。*默认值*：*无*。 + **`enableInterContainerTrafficEncryption`** –（*可选*）在训练或超参数调整任务中启用或禁用容器间流量加密。 *类型*：布尔值。*默认值*：*True*。 **注意** `enableInterContainerTrafficEncryption` 参数仅在[引擎版本 1.2.0.2.R3](engine-releases-1.2.0.2.R3.md) 中可用。 + **`s3OutputEncryptionKMSKey`**—（*可选*AWS KMS） SageMaker AI 用来加密处理作业输出的 AWS Key Management Service () 密钥。 *类型*：字符串。*默认值*：*无*。 ## 使用 Neptune ML `modeltransform` 命令获取模型转换任务的状态 用于显示任务状态的示例 Neptune ML `modeltransform` 命令如下所示： ------ #### [ AWS CLI ] ``` aws neptunedata get-ml-model-transform-job \ --endpoint-url https://{{your-neptune-endpoint}}:{{port}} \ --id "{{(the job ID)}}" ``` 有关更多信息，请参阅《 AWS CLI 命令参考》中的 [get-ml-model-transform-job](https://docs.aws.amazon.com/cli/latest/reference/neptunedata/get-ml-model-transform-job.html)。 ------ #### [ SDK ] ``` import boto3 from botocore.config import Config client = boto3.client( 'neptunedata', endpoint_url='https://{{your-neptune-endpoint}}:{{port}}', config=Config(read_timeout=None, retries={'total_max_attempts': 1}) ) response = client.get_ml_model_transform_job( id='{{(the job ID)}}' ) print(response) ``` ------ #### [ awscurl ] ``` awscurl https://{{your-neptune-endpoint}}:{{port}}/ml/modeltransform/{{(the job ID)}} \ --region {{us-east-1}} \ --service neptune-db \ -X GET ``` **注意** 此示例假设您的 AWS 证书是在您的环境中配置的。{{us-east-1}}替换为 Neptune 集群的区域。 ------ #### [ curl ] ``` curl -s \ "https://{{your-neptune-endpoint}}:{{port}}/ml/modeltransform/{{(the job ID)}}" \ | python -m json.tool ``` ------ **`modeltransform` 任务状态的参数** + **`id`** –（*必需*）模型转换任务的唯一标识符。 *类型*：字符串。 + **`neptuneIamRoleArn`**—（*可选*）向 Neptune 提供 AI 和 A SageMaker mazon S3 资源访问权限的 IAM 角色的 ARN。 *类型*：字符串。*注意*：必须将其列在您的数据库集群参数组中，否则将发生错误。 ## 使用 Neptune ML `modeltransform` 命令停止模型转换任务 用于停止任务的示例 Neptune ML `modeltransform` 命令如下所示： ------ #### [ AWS CLI ] ``` aws neptunedata cancel-ml-model-transform-job \ --endpoint-url https://{{your-neptune-endpoint}}:{{port}} \ --id "{{(the job ID)}}" ``` 要同时清理 Amazon S3 工件，请执行以下操作： ``` aws neptunedata cancel-ml-model-transform-job \ --endpoint-url https://{{your-neptune-endpoint}}:{{port}} \ --id "{{(the job ID)}}" \ --clean ``` 有关更多信息，请参阅《 AWS CLI 命令参考》中的 [cancel-ml-model-transform-job](https://docs.aws.amazon.com/cli/latest/reference/neptunedata/cancel-ml-model-transform-job.html)。 ------ #### [ SDK ] ``` import boto3 from botocore.config import Config client = boto3.client( 'neptunedata', endpoint_url='https://{{your-neptune-endpoint}}:{{port}}', config=Config(read_timeout=None, retries={'total_max_attempts': 1}) ) response = client.cancel_ml_model_transform_job( id='{{(the job ID)}}', clean=True ) print(response) ``` ------ #### [ awscurl ] ``` awscurl https://{{your-neptune-endpoint}}:{{port}}/ml/modeltransform/{{(the job ID)}} \ --region {{us-east-1}} \ --service neptune-db \ -X DELETE ``` 要同时清理 Amazon S3 工件，请执行以下操作： ``` awscurl "https://{{your-neptune-endpoint}}:{{port}}/ml/modeltransform/{{(the job ID)}}?clean=true" \ --region {{us-east-1}} \ --service neptune-db \ -X DELETE ``` **注意** 此示例假设您的 AWS 证书是在您的环境中配置的。{{us-east-1}}替换为 Neptune 集群的区域。 ------ #### [ curl ] ``` curl -s \ -X DELETE "https://{{your-neptune-endpoint}}:{{port}}/ml/modeltransform/{{(the job ID)}}" ``` 或者： ``` curl -s \ -X DELETE "https://{{your-neptune-endpoint}}:{{port}}/ml/modeltransform/{{(the job ID)}}?clean=true" ``` ------ **`modeltransform` 停止任务的参数** + **`id`** –（*必需*）模型转换任务的唯一标识符。 *类型*：字符串。 + **`neptuneIamRoleArn`**—（*可选*）向 Neptune 提供 AI 和 A SageMaker mazon S3 资源访问权限的 IAM 角色的 ARN。 *类型*：字符串。*注意*：必须将其列在您的数据库集群参数组中，否则将发生错误。 + **`clean`** –（*可选*）此标志指定在任务停止时应删除所有 Amazon S3 构件。 *类型*：布尔值。*默认值*：`FALSE`。 ## 使用 Neptune ML `modeltransform` 命令列出活动的模型转换任务 用于列出活动任务的示例 Neptune ML `modeltransform` 命令如下所示： ------ #### [ AWS CLI ] ``` aws neptunedata list-ml-model-transform-jobs \ --endpoint-url https://{{your-neptune-endpoint}}:{{port}} ``` 要限制结果数量，请执行以下操作： ``` aws neptunedata list-ml-model-transform-jobs \ --endpoint-url https://{{your-neptune-endpoint}}:{{port}} \ --max-items 3 ``` 有关更多信息，请参阅《 AWS CLI 命令参考》中的 [list-ml-model-transform-job](https://docs.aws.amazon.com/cli/latest/reference/neptunedata/list-ml-model-transform-jobs.html) s。 ------ #### [ SDK ] ``` import boto3 from botocore.config import Config client = boto3.client( 'neptunedata', endpoint_url='https://{{your-neptune-endpoint}}:{{port}}', config=Config(read_timeout=None, retries={'total_max_attempts': 1}) ) response = client.list_ml_model_transform_jobs( maxItems=3 ) print(response) ``` ------ #### [ awscurl ] ``` awscurl https://{{your-neptune-endpoint}}:{{port}}/ml/modeltransform \ --region {{us-east-1}} \ --service neptune-db \ -X GET ``` 要限制结果数量，请执行以下操作： ``` awscurl "https://{{your-neptune-endpoint}}:{{port}}/ml/modeltransform?maxItems=3" \ --region {{us-east-1}} \ --service neptune-db \ -X GET ``` **注意** 此示例假设您的 AWS 证书是在您的环境中配置的。{{us-east-1}}替换为 Neptune 集群的区域。 ------ #### [ curl ] ``` curl -s "https://{{your-neptune-endpoint}}:{{port}}/ml/modeltransform" | python -m json.tool ``` 或者： ``` curl -s "https://{{your-neptune-endpoint}}:{{port}}/ml/modeltransform?maxItems=3" | python -m json.tool ``` ------ **`modeltransform` 列出任务的参数** + **`maxItems`** –（*可选*），表示要返回的最大项目数。 *类型*：整数。*默认值*：`10`。*允许的最大值*：`1024`。 + **`neptuneIamRoleArn`**—（*可选*）向 Neptune 提供 AI 和 A SageMaker mazon S3 资源访问权限的 IAM 角色的 ARN。 *类型*：字符串。*注意*：必须将其列在您的数据库集群参数组中，否则将发生错误。