使用 SageMaker 估算器執行訓練工作 - Amazon SageMaker

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。

使用 SageMaker 估算器執行訓練工作

您也可以使用 SageMaker Python SDK 中的估算器來處理 SageMaker 訓練工作的設定和執行。下列程式碼範例，示範如何使用私有 Docker 登錄檔的映像來設定及執行估算器。

  1. 匯入必要的程式庫和相依性，如以下程式碼範例所示。

    import boto3
import sagemaker
from sagemaker.estimator import Estimator

session = sagemaker.Session()

role = sagemaker.get_execution_role()

  2. 提供統一資源識別碼 (URI) 給訓練工作的 VPC 組態的訓練映像、安全群組和子網路，如下列程式碼範例所示。

    image_uri = "myteam.myorg.com/docker-local/my-training-image:<IMAGE-TAG>"

security_groups = ["sg-0123456789abcdef0"]
subnets = ["subnet-0123456789abcdef0", "subnet-0123456789abcdef0"]

    如需security_group_ids和的詳細資訊subnets，請參閱 SageMaker Python SDK 的 [估算器] 一節中的適當參數說明。

    注意

    SageMaker 使用 VPC 中的網路連線來存取 Docker 登錄中的映像檔。若要使用 Docker 登錄檔中的映像進行訓練，必須可以從您帳戶中的 Amazon VPC 存取該登錄檔。

  3. 或者，如果您的 Docker 登錄需要身份驗證，您還必須指定提供存取登入資料的 AWS Lambda 函數的 Amazon 資源名稱 (ARN)。 SageMaker以下程式碼範例說明如何指定 ARN。

    training_repository_credentials_provider_arn = "arn:aws:lambda:us-west-2:1234567890:function:test"

    如需詳細資訊以了解如何在需要驗證的 Docker 登錄檔中使用映像檔，請參閱下方的 使用需要為訓練進行驗證的 Docker 登錄檔。

  4. 使用先前步驟的程式碼範例來設定估算器，如下列程式碼範例所示。

    # The training repository access mode must be 'Vpc' for private docker registry jobs 
training_repository_access_mode = "Vpc"

# Specify the instance type, instance count you want to use
instance_type="ml.m5.xlarge"
instance_count=1

# Specify the maximum number of seconds that a model training job can run
max_run_time = 1800

# Specify the output path for the model artifacts
output_path = "s3://your-output-bucket/your-output-path"

estimator = Estimator(
    image_uri=image_uri,
    role=role,
    subnets=subnets,
    security_group_ids=security_groups,
    training_repository_access_mode=training_repository_access_mode,
    training_repository_credentials_provider_arn=training_repository_credentials_provider_arn,  # remove this line if auth is not needed
    instance_type=instance_type,
    instance_count=instance_count,
    output_path=output_path,
    max_run=max_run_time
)

  5. 以您的工作名稱和輸入路徑做為參數呼叫 estimator.fit，以開始訓練工作，如下列程式碼範例所示。

    input_path = "s3://your-input-bucket/your-input-path"
job_name = "your-job-name"

estimator.fit(
    inputs=input_path,
    job_name=job_name
)