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.
Beispiele und weitere Informationen: Verwenden Sie Ihren eigenen Algorithmus oder Ihr eigenes Modell
Die folgenden Jupyter-Notebooks und zusätzliche Informationen zeigen, wie Sie Ihre eigenen Algorithmen oder vortrainierten Modelle aus einer Amazon-Notebook-Instance verwenden können. SageMaker Links zu den GitHub Repositorys mit den vorgefertigten Dockerfiles für die Frameworks MXNet TensorFlow, Chainer und PyTorch Frameworks sowie Anweisungen zur Verwendung der AWS SDK für Python (Boto3) Schätzer zur Ausführung Ihrer eigenen Trainingsalgorithmen auf SageMaker AI Learner und Ihrer eigenen Modelle auf KI-Hosting finden Sie unter SageMaker Vorgefertigte SageMaker KI-Docker-Images für Deep Learning
Einrichtung
-
Erstellen SageMaker Sie eine Notebook-Instanz. Anweisungen zum Erstellen von Jupyter-Notebook-Instances und zum Zugriff darauf finden Sie unter SageMaker Amazon-Notebook-Instanzen.
-
Öffnen Sie die Notebook-Instance, die Sie erstellt haben.
-
Wählen Sie den Tab SageMaker KI-Beispiele, um eine Liste aller SageMaker KI-Beispiel-Notebooks zu erhalten.
-
Öffnen Sie die Beispielnotizbücher im Bereich Erweiterte Funktionen in Ihrer Notebook-Instanz oder GitHub über die bereitgestellten Links. Zum Öffnen eines Notebooks wählen Sie die Registerkarte Use (Verwenden) und dann Create copy (Kopie erstellen).
Hostmodelle wurden geschult in Scikit-learn
In den folgenden Beispiel-Notebooks erfahren Sie, wie Sie Modelle hosten, die Scikit-learn für das Treffen von Vorhersagen in SageMaker KI trainiert wurden, indem sie in K-Means- und XGBoost-Container von Erstanbietern injiziert werden.
Package TensorFlow und Scikit-learn Modelle für den Einsatz in SageMaker KI
In den folgenden Notizbüchern erfahren Sie, wie Sie Algorithmen, die Sie in TensorFlow Frameworks entwickelt haben, für Training und Einsatz in der SageMaker KI-Umgebung zusammenstellen können. Sie zeigen Ihnen, wie Sie Ihre eigenen Docker-Container mithilfe von Dockerfiles erstellen, registrieren und bereitstellen können.
Trainieren und implementieren Sie ein neuronales Netzwerk auf KI SageMaker
In den folgenden Notebooks erfahren Sie TensorFlow, wie Sie ein neuronales Netzwerk lokal mit MXNet oder trainieren und dann aus dem trainierten Modell einen Endpunkt erstellen und ihn auf SageMaker KI bereitstellen. Das MXNet-Modell ist trainiert, um handschriftliche Zahlen aus dem MNIST-Datensatz zu erkennen. Das TensorFlow Modell ist darauf trainiert, Iris zu klassifizieren.
Trainieren mit Pipe-Modus
Um zu erfahren, wie Sie eine Dockerfile zum Erstellen eines Containers verwenden, der das train.py script aufruft und den Pipe-Modus zum benutzerdefinierten Training eines Algorithmus verwendet, beachten Sie das folgende Notebook. Im Pipe-Modus werden die Eingabedaten während des Trainings auf den Algorithmus übertragen. Dadurch kann sich die Trainingszeit im Vergleich zum Dateimodus verkürzen.
Bringen Sie Ihr eigenes R-Modell mit
Wie man ein benutzerdefiniertes R-Image hinzufügt, um ein Modell in einem AWS SMS
-Notebook zu erstellen und zu trainieren, erfahren Sie im folgenden Blogbeitrag. In diesem Blogbeitrag wird ein R-Dockerfile-Beispiel aus einer Bibliothek von SageMaker AI Studio Classic Custom Image
Erweitern Sie ein vorgefertigtes PyTorch Container-Image
Im folgenden Notizbuch erfahren Sie, wie Sie ein vorgefertigtes SageMaker PyTorch KI-Container-Image erweitern können, wenn Sie zusätzliche funktionale Anforderungen an Ihren Algorithmus oder Ihr Modell haben, die das vorgefertigte Docker-Image nicht unterstützt.
Weitere Informationen zum Erweitern eines Containers finden Sie unter Einen Pre-built Container erweitern.
Trainieren und debuggen Sie Trainingsaufträge in einem benutzerdefinierten Container
Informationen zum Trainieren und Debuggen von Trainingsjobs mithilfe des SageMaker Debuggers finden Sie im folgenden Notizbuch. Ein in diesem Beispiel bereitgestelltes Trainingsskript verwendet das TensorFlow Keras ResNet 50-Modell und den CIFAR10-Datensatz. Ein benutzerdefinierter Docker-Container wird mit dem Trainingsskript erstellt und an Amazon ECR übertragen. Während der Trainingsauftrag ausgeführt wird, sammelt der Debugger die Tensorausgaben und identifiziert Debugging-Probleme. Mit den smdebug Client-Bibliothek-Tools können Sie ein smdebug Testobjekt einrichten, das den Trainingsauftrag und die Debugging-Informationen aufruft, den Status der Trainings- und Debugger-Regeln überprüfen und in einem Amazon-S3-Bucket gespeicherte Tensoren abrufen, um Trainingsprobleme zu analysieren.
