Anleitung zur Verwendung von SageMaker AI AutoGluon-Tabular

Verwenden Sie AutoGluon-Tabular als integrierten Algorithmus

Verwenden Sie den integrierten AutoGluon-Tabular-Algorithmus, um einen AutoGluon-Tabular-Trainingscontainer zu erstellen, wie im folgenden Codebeispiel gezeigt. Mithilfe der SageMaker-AI-image_uris.retrieve-API (oder der get_image_uri-API, wenn Sie das Amazon SageMaker Python SDK Version 2 verwenden) können Sie die Image-URI des integrierten AutoGluon-Algorithmus automatisch erkennen.

Nachdem Sie den AutoGluon-Tabular-Image-URI angegeben haben, können Sie den AutoGluon-Tabular-Container verwenden, um mithilfe der Schätzer-API von SageMaker AI einen Schätzer zu erstellen und einen Trainingsjob zu initiieren. Der integrierte AutoGluon-Tabular-Algorithmus wird im Skriptmodus ausgeführt, aber das Trainingsskript wird für Sie bereitgestellt und muss nicht ersetzt werden. Wenn Sie umfangreiche Erfahrung mit der Verwendung des Skriptmodus zur Erstellung eines SageMaker-Trainingsauftrages haben, können Sie Ihre eigenen autoGluon-Tabular-Trainingsskripte integrieren.

from sagemaker import image_uris, model_uris, script_uris

train_model_id, train_model_version, train_scope = "autogluon-classification-ensemble", "*", "training"
training_instance_type = "ml.p3.2xlarge"

# Retrieve the docker image
train_image_uri = image_uris.retrieve(
    region=None,
    framework=None,
    model_id=train_model_id,
    model_version=train_model_version,
    image_scope=train_scope,
    instance_type=training_instance_type
)

# Retrieve the training script
train_source_uri = script_uris.retrieve(
    model_id=train_model_id, model_version=train_model_version, script_scope=train_scope
)

train_model_uri = model_uris.retrieve(
    model_id=train_model_id, model_version=train_model_version, model_scope=train_scope
)

# Sample training data is available in this bucket
training_data_bucket = f"jumpstart-cache-prod-{aws_region}"
training_data_prefix = "training-datasets/tabular_binary/"

training_dataset_s3_path = f"s3://{training_data_bucket}/{training_data_prefix}/train"
validation_dataset_s3_path = f"s3://{training_data_bucket}/{training_data_prefix}/validation"

output_bucket = sess.default_bucket()
output_prefix = "jumpstart-example-tabular-training"

s3_output_location = f"s3://{output_bucket}/{output_prefix}/output"

from sagemaker import hyperparameters

# Retrieve the default hyperparameters for training the model
hyperparameters = hyperparameters.retrieve_default(
    model_id=train_model_id, model_version=train_model_version
)

# [Optional] Override default hyperparameters with custom values
hyperparameters[
    "auto_stack"
] = "True"
print(hyperparameters)

from sagemaker.estimator import Estimator
from sagemaker.utils import name_from_base

training_job_name = name_from_base(f"built-in-algo-{train_model_id}-training")

# Create SageMaker Estimator instance
tabular_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
)

# Launch a SageMaker Training job by passing the S3 path of the training data
tabular_estimator.fit(
    {
        "training": training_dataset_s3_path,
        "validation": validation_dataset_s3_path,
    }, logs=True, job_name=training_job_name
)

Mehr Informationen über die Einrichtung der AutoGluon-Tabelle als integrierten Algorithmus finden Sie in den folgenden Notebook-Beispielen. Jeder in diesen Beispielen verwendete S3-Bucket muss sich in derselben AWS-Region befinden wie die Notebook-Instance, auf der sie ausgeführt wurden.