本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。
您可以使用 Neptune ML modeltraining 命令來建立模型訓練工作、檢查其狀態、停止該工作，或列出所有作用中的模型訓練工作。
使用 Neptune ML modeltraining 命令建立模型訓練工作
用於建立全新工作的 Neptune ML modeltraining 命令如下所示：
curl \ -X POST https://(your Neptune endpoint)/ml/modeltraining -H 'Content-Type: application/json' \ -d '{ "id" : "(a unique model-training job ID)", "dataProcessingJobId" : "(the data-processing job-id of a completed job)", "trainModelS3Location" : "s3://(your Amazon S3 bucket)/neptune-model-graph-autotrainer" }'
用於為增量模型訓練建立更新工作的 Neptune ML modeltraining 命令如下所示：
curl \ -X POST https://(your Neptune endpoint)/ml/modeltraining -H 'Content-Type: application/json' \ -d '{ "id" : "(a unique model-training job ID)", "dataProcessingJobId" : "(the data-processing job-id of a completed job)", "trainModelS3Location" : "s3://(your Amazon S3 bucket)/neptune-model-graph-autotrainer" "previousModelTrainingJobId" : "(the job ID of a completed model-training job to update)", }'
透過使用者提供的自訂模型實作建立新工作的 Neptune ML modeltraining 命令如下所示：
curl \ -X POST https://(your Neptune endpoint)/ml/modeltraining -H 'Content-Type: application/json' \-d '{ "id" : "(a unique model-training job ID)", "dataProcessingJobId" : "(the data-processing job-id of a completed job)", "trainModelS3Location" : "s3://(your Amazon S3 bucket)/neptune-model-graph-autotrainer" "modelName": "custom", "customModelTrainingParameters" : { "sourceS3DirectoryPath": "s3://(your Amazon S3 bucket)/(path to your Python module)", "trainingEntryPointScript": "(your training script entry-point name in the Python module)", "transformEntryPointScript": "(your transform script entry-point name in the Python module)" } }'
用於建立 modeltraining 工作的參數
-
id– (選用) 新工作的唯一識別符。類型：字串 預設值：自動產生的 UUID。
-
dataProcessingJobId– (必要) 已完成資料處理工作的工作 ID，該工作已建立訓練將使用的資料。類型：字串
-
trainModelS3Location– (必要) Amazon S3 中要儲存模型成品的位置。類型：字串
-
previousModelTrainingJobId– (選用) 已完成模型訓練工作的工作 ID，您想要根據更新的資料以增量方式更新此工作。類型：字串 預設值：none。
-
sagemakerIamRoleArn– (選用) SageMaker AI 執行的 IAM 角色 ARN。類型：字串 注意：這必須列示在您的資料庫叢集參數群組中，否則會發生錯誤。
-
neptuneIamRoleArn– (選用) IAM 角色的 ARN，提供對 SageMaker AI 和 Amazon S3 資源的 Neptune 存取權。類型：字串 注意：這必須列示在您的資料庫叢集參數群組中，否則會發生錯誤。
-
modelName– (選用) 用於訓練的模型類型。根據預設，ML 模型會是自動以資料處理中使用的modelType為基礎，但您可以在這裡指定不同的模型類型。類型：字串 預設值：
rgcn用於異質圖和kge用於知識圖譜。有效值：若為異質圖：rgcn。若為kge圖形：transe、distmult或rotate。若為自訂模型實作：custom。 -
baseProcessingInstanceType– (選用) 用於準備和管理 ML 模型訓練的 ML 執行個體類型。類型：字串 注意：這是根據記憶體需求選擇的 CPU 執行個體，用於處理訓練資料和模型。請參閱 選取執行個體進行模型訓練和模型轉換。
-
trainingInstanceType– (選用) 用於模型訓練的 ML 執行個體類型。所有 Neptune ML 模型都支援 CPU、GPU 和多 GPU 訓練。類型：字串 預設︰
ml.p3.2xlarge。注意：選擇適合訓練的執行個體類型取決於工作類型、圖形大小和您的預算。請參閱 選取執行個體進行模型訓練和模型轉換。
-
trainingInstanceVolumeSizeInGB– (選用) 訓練執行個體的磁碟區大小。輸入資料和輸出模型都會儲存在磁碟上，因此磁碟區大小必須大到足以保留這兩個資料集。類型：整數。預設︰
0。備註：如果未指定或指定 0，Neptune ML 會根據資料處理步驟中產生的建議選取磁碟區大小。請參閱 選取執行個體進行模型訓練和模型轉換。
-
trainingTimeOutInSeconds– (選用) 訓練工作的逾時 (以秒為單位)。類型：整數。預設值：
86,400(1 天)。 -
maxHPONumberOfTrainingJobs– 要對超參數調校工作啟動的訓練工作總數上限。類型：整數。預設︰
2。注意：Neptune ML 會自動調校機器學習模型的超參數。若要取得效能良好的模型，請至少使用 10 個工作 (換句話說，將
maxHPONumberOfTrainingJobs設為 10)。一般來說，調校執行越多，結果越好。 -
maxHPOParallelTrainingJobs– 要對超參數調校工作啟動的並行訓練工作數目上限。類型：整數。預設︰
2。注意：您可以執行的並行工作數目受制於訓練執行個體上可用的資源。
-
subnets– (選用) Neptune VPC 中子網路的 ID。類型：字串清單。預設值：none。
-
securityGroupIds– (選用) VPC 安全群組 ID。類型：字串清單。預設值：none。
-
volumeEncryptionKMSKey– (選用) SageMaker AI 用來加密連接到執行訓練任務之 ML 運算執行個體之儲存磁碟區上的資料之 AWS Key Management Service (AWS KMS) 金鑰。類型：字串 預設值：none。
-
s3OutputEncryptionKMSKey– (選用) SageMaker AI 用來加密處理任務輸出的 AWS Key Management Service (AWS KMS) 金鑰。類型：字串 預設值：none。
-
enableInterContainerTrafficEncryption– (選用) 在訓練或超參數調校工作中啟用或停用容器間流量加密。類型：布林值。預設值：true。
注意
enableInterContainerTrafficEncryption參數僅適用於引擎版本 1.2.0.2.R3。 -
enableManagedSpotTraining– (選用) 使用 Amazon Elastic Compute Cloud Spot 執行個體，將訓練機器學習模型的成本最佳化。如需詳細資訊，請參閱 Amazon SageMaker 中的受管 SageMaker 訓練。類型：布林值。預設值：false。
-
customModelTrainingParameters– (選用) 自訂模型訓練的組態。這是具有下列欄位的 JSON 物件：sourceS3DirectoryPath– (必要) 此路徑通往實作您模型之 Python 模組所在的 Amazon S3 位置。這必須指向有效的現有 Amazon S3 位置，其中至少包含訓練指令碼、轉換指令碼和model-hpo-configuration.json檔案。-
trainingEntryPointScript– (選用) 指令碼模組中的進入點名稱，該指令碼會執行模型訓練，並接受超參數作為命令列引數 (包括固定的超參數)。預設︰
training.py。 -
transformEntryPointScript– (選用) 指令碼模組中的進入點名稱，該指令碼應在識別了超參數搜尋中的最佳模型之後執行，以計算模型部署所需的模型成品。它應該能夠在沒有命令列參數的情況下執行。預設︰
transform.py。
-
maxWaitTime– (選用) 使用 Spot 執行個體來執行模型訓練時，要等待的時間上限 (以秒為單位)。應大於trainingTimeOutInSeconds。類型：整數。
使用 Neptune ML modeltraining 命令取得模型訓練工作的狀態
工作狀態的範例 Neptune ML modeltraining 命令如下所示：
curl -s \ "https://(your Neptune endpoint)/ml/modeltraining/(the job ID)" \ | python -m json.tool
modeltraining 工作狀態的參數
-
id– (必要) 模型訓練工作的唯一識別符。類型：字串
-
neptuneIamRoleArn– (選用) IAM 角色的 ARN，提供對 SageMaker AI 和 Amazon S3 資源的 Neptune 存取權。類型：字串 注意：這必須列示在您的資料庫叢集參數群組中，否則會發生錯誤。
使用 Neptune ML modeltraining 命令停止模型訓練工作
用於停止工作的範例 Neptune ML modeltraining 命令如下所示：
curl -s \ -X DELETE "https://(your Neptune endpoint)/ml/modeltraining/(the job ID)"
或如下所示：
curl -s \ -X DELETE "https://(your Neptune endpoint)/ml/modeltraining/(the job ID)?clean=true"
modeltraining 停止工作的參數
-
id– (必要) 模型訓練工作的唯一識別符。類型：字串
-
neptuneIamRoleArn– (選用) IAM 角色的 ARN，提供對 SageMaker AI 和 Amazon S3 資源的 Neptune 存取權。類型：字串 注意：這必須列示在您的資料庫叢集參數群組中，否則會發生錯誤。
-
clean– (選用) 此旗標指定在工作停止時應刪除所有 Amazon S3 成品。類型：布林值。預設︰
FALSE。
使用 Neptune ML modeltraining 命令列出作用中的模型訓練工作
用於列出作用中工作的範例 Neptune ML modeltraining 命令如下所示：
curl -s "https://(your Neptune endpoint)/ml/modeltraining" | python -m json.tool
或如下所示：
curl -s "https://(your Neptune endpoint)/ml/modeltraining?maxItems=3" | python -m json.tool
modeltraining 列出工作的參數
-
maxItems– (選用) 要傳回的項目數上限。類型：整數。預設︰
10。允許的最大值：1024。 -
neptuneIamRoleArn– (選用) IAM 角色的 ARN，提供對 SageMaker AI 和 Amazon S3 資源的 Neptune 存取權。類型：字串 注意：這必須列示在您的資料庫叢集參數群組中，否則會發生錯誤。
