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。
如何使用 SageMaker 影像分類 - TensorFlow 演算法
您可以使用影像分類 - TensorFlow 作為 SageMaker Amazon 內建演算法。下一節說明如何 TensorFlow 搭配 SageMaker Python 使用影像分類SDK。如需有關如何使用影像分類的資訊 - TensorFlow 從 Amazon SageMaker Studio Classic UI 中，請參閱 SageMaker JumpStart 預先訓練的模型。
Image Classification - TensorFlow algorithm 支援使用任何相容的預先訓練 TensorFlow Hub 模型進行遷移學習。如需有關所有可用之預先訓練模型的清單，請參閱TensorFlow 中樞模型。每個預先訓練的模型都有獨特的 model_id。下列範例使用 MobileNet V2 1.00 224 （model_id：tensorflow-ic-imagenet-mobilenet-v2-100-224-classification-4） 對自訂資料集進行微調。預先訓練的模型都是從 TensorFlow Hub 預先下載，並存放在 Amazon S3 儲存貯體中，以便訓練任務可以在網路隔離中執行。使用這些預先產生的模型訓練成品來建構 SageMaker估算器。
首先，擷取 Docker 映像 URI、訓練指令碼 URI和預先訓練的模型 URI。然後，視需要變更超參數。您可以使用 hyperparameters.retrieve_default 查看所有可用超參數及其預設數值的 Python 字典。如需詳細資訊，請參閱影像分類 - TensorFlow 超參數。使用這些值建構 SageMaker 估算器。
注意
預設超參數值依不同的模型而異。對於較大的模型，預設批次大小較小，且超參數 train_only_top_layer 設定為 "True"。
此範例使用 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)
