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.
Introducción al entrenamiento de una red de gráficos profundos
DGL está disponible como contenedor de aprendizaje profundo en Amazon ECR. Puede seleccionar contenedores de aprendizaje profundo cuando escriba su función de estimador en un cuaderno de Amazon SageMaker. También puede crear su propio contenedor personalizado con DGL siguiendo la guía Uso de un contenedor propio. La forma más sencilla de empezar a utilizar una red de gráficos profundos es utilizar uno de los contenedores DGL de Amazon Elastic Container Registry.
nota
El soporte del marco de backend está limitado a PyTorch y MXNet.
Configuración
Si utiliza Amazon SageMaker Studio, primero debe clonar el repositorio de ejemplos. Si está utilizando una instancia de cuadernos, puede encontrar los ejemplos seleccionando el icono de SageMaker AI en la parte inferior de la barra de herramientas izquierda.
Para clonar el repositorio de cuadernos de ejemplo y el Amazon SageMaker SDK.
-
Desde la vista JupyterLab en Amazon SageMaker AI, acceda al Explorador de archivos en la parte superior de la barra de herramientas izquierda. Desde el panel del navegador de archivos puede ver una nueva navegación en la parte superior del panel.
-
Seleccione el icono en el extremo derecho para clonar un repositorio Git.
-
Agregue la URL del repositorio: https://github.com/awslabs/amazon-sagemaker-examples.git
-
Examine la carpeta recién agregada y su contenido. Los ejemplos de DGL se almacenan en la carpeta sagemaker-python-sdk.
Entrenamiento
Una vez configurada, puede entrenar la red de gráficos profundos.
