選取您的 Cookie 偏好設定

我們使用提供自身網站和服務所需的基本 Cookie 和類似工具。我們使用效能 Cookie 收集匿名統計資料,以便了解客戶如何使用我們的網站並進行改進。基本 Cookie 無法停用,但可以按一下「自訂」或「拒絕」以拒絕效能 Cookie。

如果您同意,AWS 與經核准的第三方也會使用 Cookie 提供實用的網站功能、記住您的偏好設定,並顯示相關內容,包括相關廣告。若要接受或拒絕所有非必要 Cookie,請按一下「接受」或「拒絕」。若要進行更詳細的選擇,請按一下「自訂」。

MXNet 架構處理器

焦點模式
MXNet 架構處理器 - 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。

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。

Apache MXNet 是一種開放原始碼深度學習架構,常用於訓練和部署神經網路。Amazon SageMaker Python MXNetProcessor中的 SDK可讓您使用MXNet指令碼執行處理任務。使用 時MXNetProcessor,您可以利用具有受管MXNet環境的 Amazon 建置 Docker 容器,這樣就不需要自帶容器。

下列程式碼範例示範如何使用 ,使用 提供的 Docker 映像MXNetProcessor來執行處理工作 SageMaker。請注意,執行任務時,您可以在source_dir引數中指定包含指令碼和相依性的目錄,而且您可以在source_dir目錄中擁有一個requirements.txt檔案,用於指定處理指令碼的相依性 (這些)。 SageMaker 處理會在requirements.txt容器中為您安裝相依性。

from sagemaker.mxnet import MXNetProcessor from sagemaker.processing import ProcessingInput, ProcessingOutput from sagemaker import get_execution_role #Initialize the MXNetProcessor mxp = MXNetProcessor( framework_version='1.8.0', py_version='py37', role=get_execution_role(), instance_count=1, instance_type='ml.c5.xlarge', base_job_name='frameworkprocessor-mxnet' ) #Run the processing job mxp.run( code='processing-script.py', source_dir='scripts', inputs=[ ProcessingInput( input_name='data', source=f's3://{BUCKET}/{S3_INPUT_PATH}', destination='/opt/ml/processing/input/data/' ) ], outputs=[ ProcessingOutput( output_name='processed_data', source='/opt/ml/processing/output/', destination=f's3://{BUCKET}/{S3_OUTPUT_PATH}' ) ] )

如果您有一個 requirements.txt 檔案,該檔案應該會是您要在容器中安裝的程式庫清單。的路徑source_dir可以是相對、絕對或 Amazon S3 URI 路徑。不過,如果您使用 Amazon S3 URI,則必須指向 tar.gz 檔案。您可以在為 source_dir 指定的目錄中擁有多個指令碼。若要進一步了解 MXNetProcessor類別,請參閱 Amazon SageMaker Python SDK中的MXNet估算器

隱私權網站條款Cookie 偏好設定
© 2025, Amazon Web Services, Inc.或其附屬公司。保留所有權利。