TensorFlow 架構處理器

TensorFlow 是一種開放原始碼的機器學習和人工智慧程式庫。Amazon SageMaker Python SDK 中的 TensorFlowProcessor 提供您使用 TensorFlow 指令碼執行處理任務的能力。使用 TensorFlowProcessor 時，您可以運用 Amazon 建置的 Docker 容器與受管 TensorFlow 環境，這樣您就不必使用自己的容器。

下列程式碼範例示範如何使用 SageMaker AI 提供的 Docker 映像來執行TensorFlowProcessor處理任務。請注意，執行任務時，您可以在 source_dir 引數中指定一個包含指令碼和相依性的目錄，而且可以在 source_dir 目錄中擁有一個 requirements.txt 檔案來指定處理指令碼的相依性。SageMaker Processing 會在容器中為您安裝 requirements.txt 中的相依性。

from sagemaker.tensorflow import TensorFlowProcessor
from sagemaker.processing import ProcessingInput, ProcessingOutput
from sagemaker import get_execution_role

#Initialize the TensorFlowProcessor
tp = TensorFlowProcessor(
    framework_version='2.3',
    role=get_execution_role(),
    instance_type='ml.m5.xlarge',
    instance_count=1,
    base_job_name='frameworkprocessor-TF',
    py_version='py37'
)

#Run the processing job
tp.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'
        ),
        ProcessingInput(
            input_name='model',
            source=f's3://{BUCKET}/{S3_PATH_TO_MODEL}',
            destination='/opt/ml/processing/input/model'
        )
    ],
    outputs=[
        ProcessingOutput(
            output_name='predictions',
            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。source_dir 的路徑可以是相對路徑、絕對路徑或 Amazon S3 URI 路徑。不過，如果您使用 Amazon S3 URI，那麼它必須指向一個 tar.gz 檔案。您可以在為 source_dir 指定的目錄中擁有多個指令碼。如要進一步了解 TensorFlowProcessor 類別，請參閱 Amazon SageMaker Python SDK 中的 TensorFlow 估算器。