TensorFlow 架構處理器

TensorFlow 是開放原始碼機器學習和人工智慧程式庫。Amazon SageMaker Python TensorFlowProcessor中的 SDK可讓您使用 TensorFlow 指令碼執行處理任務。使用 時TensorFlowProcessor，您可以利用具有受管 TensorFlow 環境的 Amazon 建置 Docker 容器，這樣就不需要自帶容器。

下列程式碼範例說明如何使用 提供的 Docker 映像TensorFlowProcessor來執行處理任務，並由 維護 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.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。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 TensorFlowProcessor類別，請參閱 Amazon SageMaker Python SDK中的TensorFlow 估算器。