Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.
Uso del estimador genérico de SageMaker AI para ampliar los contenedores de DLC prediseñados
Puede personalizar estos contenedores prediseñados o ampliarlos para gestionar requisitos funcionales adicionales para su algoritmo o modelo que la imagen de Docker de SageMaker AI no admite. Para ver un ejemplo de cómo ampliar un contenedor prediseñado, consulte Ampliar un contenedor prediseñado.
Para ampliar un contenedor prediseñado o adaptar su propio contenedor para usar la biblioteca, debe usar una de las imágenes que aparecen en Marcos admitidos.
nota
A partir de TensorFlow 2.4.1 y PyTorch 1.8.1, los DLC de marco de SageMaker AI admiten tipos de instancias habilitados para EFA. Le recomendamos que utilice las imágenes del DLC que contienen TensorFlow 2.4.1 o versiones posteriores y PyTorch 1.8.1 o versiones posteriores.
Por ejemplo, si utiliza PyTorch, su dockerfile debe contener una instrucción FROM similar a la siguiente:
# SageMaker AI PyTorch image FROM 763104351884.dkr.ecr.<aws-region>.amazonaws.com/pytorch-training:<image-tag>ENV PATH="/opt/ml/code:${PATH}" # this environment variable is used by the SageMaker AI PyTorch container to determine our user code directory. ENV SAGEMAKER_SUBMIT_DIRECTORY /opt/ml/code # /opt/ml and all subdirectories are utilized by SageMaker AI, use the /code subdirectory to store your user code. COPYtrain.py/opt/ml/code/train.py # Defines cifar10.py as script entrypoint ENV SAGEMAKER_PROGRAMtrain.py
Puede personalizar aún más su propio contenedor de Docker para que funcione con SageMaker AI mediante el kit de herramientas de SageMaker