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。
如何使用 SageMaker 图像分类- TensorFlow 算法
您可以使用图片分类- TensorFlow 作为 Amazon 的 SageMaker 内置算法。以下部分介绍如何在 SageMaker Python 中 TensorFlow 使用图像分类SDK。有关如何使用 Amazon SageMaker Studio 经典版用户界面中的图片分类的信息，请参阅SageMaker JumpStart 预训练模型。 TensorFlow
图像分类- TensorFlow 算法支持使用任何兼容的预训练 TensorFlow Hub 模型进行迁移学习。有关所有可用的预先训练模型的列表，请参阅 TensorFlow 集线器型号。每个预先训练的模型都有独特的 model_id。以下示例使用 MobileNet V2 1.00 224 (model_id:tensorflow-ic-imagenet-mobilenet-v2-100-224-classification-4) 对自定义数据集进行微调。预训练的模型都是从 TensorFlow Hub 预先下载的，并存储在 Amazon S3 存储桶中，这样训练作业就可以在网络隔离的情况下运行。使用这些预生成的模型训练工件来构造 SageMaker估算器。
首先，检索 Docker 镜像URI、训练脚本URI和预训练模型。URI然后，根据需要更改超参数。您可以使用 hyperparameters.retrieve_default 查看包含所有可用超参数及其默认值的 Python 字典。有关更多信息，请参阅 图像分类- TensorFlow 超参数。使用这些值来构造 SageMaker 估算器。
注意
不同模型具有不同的默认超参数值。对于较大的模型，默认批量大小较小，且 train_only_top_layer 超参数设置为 "True"。
此示例使用 tf_flowers.fit。
from sagemaker import image_uris, model_uris, script_uris, hyperparameters from sagemaker.estimator import Estimator model_id, model_version ="tensorflow-ic-imagenet-mobilenet-v2-100-224-classification-4", "*" training_instance_type ="ml.p3.2xlarge"# Retrieve the Docker image train_image_uri = image_uris.retrieve(model_id=model_id,model_version=model_version,image_scope="training",instance_type=training_instance_type,region=None,framework=None) # Retrieve the training script train_source_uri = script_uris.retrieve(model_id=model_id, model_version=model_version, script_scope="training") # Retrieve the pretrained model tarball for transfer learning train_model_uri = model_uris.retrieve(model_id=model_id, model_version=model_version, model_scope="training") # Retrieve the default hyper-parameters for fine-tuning the model hyperparameters = hyperparameters.retrieve_default(model_id=model_id, model_version=model_version) # [Optional] Override default hyperparameters with custom values hyperparameters["epochs"] = "5" # The sample training data is available in the following S3 bucket training_data_bucket = f"jumpstart-cache-prod-{aws_region}" training_data_prefix = "training-datasets/tf_flowers/" training_dataset_s3_path = f"s3://{training_data_bucket}/{training_data_prefix}" output_bucket = sess.default_bucket() output_prefix = "jumpstart-example-ic-training" s3_output_location = f"s3://{output_bucket}/{output_prefix}/output" # Create SageMaker Estimator instance tf_ic_estimator = Estimator( role=aws_role, image_uri=train_image_uri, source_dir=train_source_uri, model_uri=train_model_uri, entry_point="transfer_learning.py", instance_count=1, instance_type=training_instance_type, max_run=360000, hyperparameters=hyperparameters, output_path=s3_output_location, ) # Use S3 path of the training data to launch SageMaker TrainingJob tf_ic_estimator.fit({"training": training_dataset_s3_path}, logs=True)
