View a markdown version of this page

Verwenden Sie eine SageMaker KI ModelTrainer , um einen Trainingsjob auszuführen - Amazon SageMaker KI

Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

Verwenden Sie eine SageMaker KI ModelTrainer , um einen Trainingsjob auszuführen

Sie können auch eine ModelTrainer aus dem SageMaker Python-SDK verwenden, um die Konfiguration und Ausführung Ihres SageMaker Trainingsjobs zu erledigen. Die folgenden Codebeispiele zeigen, wie Sie ein ModelTrainer mithilfe von Images aus einer privaten Docker-Registry konfigurieren und ausführen.

  1. Importieren Sie die erforderlichen Bibliotheken und Abhängigkeiten wie im folgenden Codebeispiel:

    import boto3
import sagemaker
from sagemaker.train import ModelTrainer
from sagemaker.train.configs import Compute
from sagemaker.core.helper.session_helper import get_execution_role, Session

session = Session()

role = get_execution_role()

  2. Geben Sie einen Uniform Resource Identifier (URI) für Ihr Trainings-Image, Ihre Sicherheitsgruppen und Subnetze für die VPC-Konfiguration für Ihren Trainingsauftrag ein, wie im folgenden Codebeispiel gezeigt.

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

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

    Weitere Informationen zu security_group_ids und subnets finden Sie in der entsprechenden Parameterbeschreibung im ModelTrainers Abschnitt des SageMaker Python-SDK.

    Anmerkung

    SageMaker AI verwendet eine Netzwerkverbindung innerhalb Ihrer VPC, um auf Bilder in Ihrer Docker-Registrierung zuzugreifen. Um die Images in Ihrer Docker-Registry für Training zu verwenden, muss das Verzeichnis von einer Amazon-VPC in Ihrem Konto aus zugänglich sein.

  3. Wenn Ihre Docker-Registry eine Authentifizierung erfordert, müssen Sie optional auch den Amazon-Ressourcennamen (ARN) einer AWS Lambda Funktion angeben, die Zugangsdaten für AI bereitstellt. SageMaker Das folgende Codebeispiel zeigt, wie der ARN anzugeben ist. 

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

    Weitere Informationen zur Verwendung von Images in einer Docker-Registry, für die eine Authentifizierung erforderlich ist, finden Sie weiter unten unter Verwenden einer Docker-Registry, für die eine Authentifizierung erforderlich ist.

  4. Verwenden Sie die Codebeispiele aus den vorherigen Schritten, um a zu konfigurieren ModelTrainer, wie im folgenden Codebeispiel gezeigt.

    # 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"

model_trainer = ModelTrainer(
    training_image=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
    compute=Compute(instance_type=instance_type, instance_count=instance_count),
    output_path=output_path,
    max_run=max_run_time
)

  5. Starten Sie Ihren Trainingsauftrag, indem Sie model_trainer.train mit Ihrem Auftragsnamen und Eingabepfad als Parameter aufrufen, wie im folgenden Codebeispiel gezeigt.

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

model_trainer.train(
    input_data_config=input_path,
    job_name=job_name
)