Uso de trabajos de Amazon SageMaker AI

Esta sección se basa en la versión original de los SageMaker AI Operators for Kubernetes.

Para ejecutar un trabajo de Amazon SageMaker AI con los operadores para Kubernetes, puede aplicar un archivo YAML o utilizar los gráficos de Helm suministrados.

Todos los ejemplos de trabajos de operador de los siguientes tutoriales utilizan datos de muestra tomados de un conjunto de datos MNIST público. Para ejecutar estas muestras, descargue el conjunto de datos en su bucket de Amazon S3. Encontrará el conjunto de datos en Download the MNIST Dataset.

El operador TrainingJob

Los operadores de trabajos de entrenamiento concilian las especificaciones del trabajo de entrenamiento especificado con SageMaker AI lanzándolos automáticamente en SageMaker AI. Puede obtener más información sobre los trabajos de entrenamiento de SageMaker AI en la documentación de la API CreateTrainingJob de SageMaker AI.

Creación de un TrainingJob mediante un archivo YAML

Creación de un TrainingJob mediante un gráfico de Helm

Puede usar gráficos de Helm para ejecutar TrainingJobs.

Creación del TrainingJob

Con los roles y los buckets de Amazon S3 reemplazados por los valores correspondientes en values.yaml, puede crear un trabajo de entrenamiento con el siguiente comando:

helm install . --generate-name

El resultado debería tener el siguiente aspecto:

NAME: chart-12345678
LAST DEPLOYED: Wed Nov 20 23:35:49 2019
NAMESPACE: default
STATUS: deployed
REVISION: 1
TEST SUITE: None
NOTES:
Thanks for installing the sagemaker-k8s-trainingjob.

Verificación del entrenamiento con gráficos de Helm

Para comprobar que el gráfico de Helm se creó correctamente, ejecute:

helm ls

El resultado debería tener el siguiente aspecto:

NAME                    NAMESPACE       REVISION        UPDATED                                 STATUS          CHART                           APP VERSION
chart-12345678        default         1               2019-11-20 23:35:49.9136092 +0000 UTC   deployed        sagemaker-k8s-trainingjob-0.1.0
rolebased-12345678    default         1               2019-11-20 23:14:59.6777082 +0000 UTC   deployed        sagemaker-k8s-operator-0.1.0

helm install crea un recurso TrainingJob de Kubernetes. El operador lanza el trabajo de entrenamiento real en SageMaker AI y actualiza el recurso TrainingJob de Kubernetes para que refleje el estado del trabajo en SageMaker AI. Se le cobrará por los recursos de SageMaker AI que utilice durante el trabajo. No incurrirá en ningún cargo una vez que su trabajo finalice o se detenga.

Nota: SageMaker AI no permite actualizar un trabajo de entrenamiento en ejecución. No puede editar ningún parámetro ni volver a aplicar el archivo de configuración. Cambie el nombre de los metadatos o elimine el trabajo existente y cree uno nuevo. Al igual que ocurre con los operadores de trabajos de entrenamiento existentes, como TFJob en Kubeflow, update no se admite.

Enumeración de TrainingJobs

Utilice el siguiente comando para enumerar todos los trabajos creados con el operador de Kubernetes:

kubectl get TrainingJob

La salida que enumera todos los trabajos debe tener el siguiente aspecto:

kubectl get trainingjobs
NAME                        STATUS       SECONDARY-STATUS   CREATION-TIME          SAGEMAKER-JOB-NAME
xgboost-mnist-from-for-s3   InProgress   Starting           2019-11-20T23:42:35Z   xgboost-mnist-from-for-s3-examplef11eab94e0ed4671d5a8f

Un trabajo de entrenamiento aún aparece en la lista después de que el trabajo se haya completado o haya producido un error. Puede eliminar un trabajo TrainingJob de la lista con los pasos Eliminación de TrainingJobs. Los trabajos que se hayan completado o interrumpido no incurrirán en ningún cargo por parte de los recursos de SageMaker AI.

Valores de estado de TrainingJob

El campo STATUS puede tener uno de los siguientes valores:

Estos estados provienen directamente de la documentación de la API oficial de SageMaker AI.

Además del estado oficial de SageMaker AI, es posible que el STATUS sea SynchronizingK8sJobWithSageMaker. Esto significa que el operador aún no ha procesado el trabajo.

Valores de estado secundarios

Estos estados secundarios provienen directamente de la documentación de la API oficial de SageMaker AI. Contienen información más detallada sobre el estado del trabajo.

Descripción de un TrainingJob

Puede obtener más detalles sobre el trabajo de entrenamiento mediante el comando kubectl describe. Por lo general, se utiliza para solucionar un problema o comprobar los parámetros de un trabajo de entrenamiento. Para obtener información sobre el trabajo de entrenamiento, utilice el siguiente comando:

kubectl describe trainingjob xgboost-mnist-from-for-s3

La salida del trabajo de entrenamiento debería tener el siguiente aspecto:

Name:         xgboost-mnist-from-for-s3
Namespace:    default
Labels:       <none>
Annotations:  <none>
API Version:  sagemaker.aws.amazon.com/v1
Kind:         TrainingJob
Metadata:
  Creation Timestamp:  2019-11-20T23:42:35Z
  Finalizers:
    sagemaker-operator-finalizer
  Generation:        2
  Resource Version:  23119
  Self Link:         /apis/sagemaker.aws.amazon.com/v1/namespaces/default/trainingjobs/xgboost-mnist-from-for-s3
  UID:               6d7uiui-0bef-11ea-b94e-0ed467example
Spec:
  Algorithm Specification:
    Training Image:       8256416981234.dkr.ecr.us-east-2.amazonaws.com/xgboost:1
    Training Input Mode:  File
  Hyper Parameters:
    Name:   eta
    Value:  0.2
    Name:   gamma
    Value:  4
    Name:   max_depth
    Value:  5
    Name:   min_child_weight
    Value:  6
    Name:   num_class
    Value:  10
    Name:   num_round
    Value:  10
    Name:   objective
    Value:  multi:softmax
    Name:   silent
    Value:  0
  Input Data Config:
    Channel Name:      train
    Compression Type:  None
    Content Type:      text/csv
    Data Source:
      S 3 Data Source:
        S 3 Data Distribution Type:  FullyReplicated
        S 3 Data Type:               S3Prefix
        S 3 Uri:                     https://s3-us-east-2.amazonaws.com/amzn-s3-demo-bucket/sagemaker/xgboost-mnist/train/
    Channel Name:                    validation
    Compression Type:                None
    Content Type:                    text/csv
    Data Source:
      S 3 Data Source:
        S 3 Data Distribution Type:  FullyReplicated
        S 3 Data Type:               S3Prefix
        S 3 Uri:                     https://s3-us-east-2.amazonaws.com/amzn-s3-demo-bucket/sagemaker/xgboost-mnist/validation/
  Output Data Config:
    S 3 Output Path:  s3://amzn-s3-demo-bucket/sagemaker/xgboost-mnist/xgboost/
  Region:             us-east-2
  Resource Config:
    Instance Count:     1
    Instance Type:      ml.m4.xlarge
    Volume Size In GB:  5
  Role Arn:             arn:aws:iam::12345678910:role/service-role/AmazonSageMaker-ExecutionRole
  Stopping Condition:
    Max Runtime In Seconds:  86400
  Training Job Name:         xgboost-mnist-from-for-s3-6d7fa0af0bef11eab94e0example
Status:
  Cloud Watch Log URL:           https://us-east-2.console.aws.amazon.com/cloudwatch/home?region=us-east-2#logStream:group=/aws/sagemaker/TrainingJobs;prefix=<example>;streamFilter=typeLogStreamPrefix
  Last Check Time:               2019-11-20T23:44:29Z
  Sage Maker Training Job Name:  xgboost-mnist-from-for-s3-6d7fa0af0bef11eab94eexample
  Secondary Status:              Downloading
  Training Job Status:           InProgress
Events:                          <none>

Ver los registros de TrainingJobs

Utilice el siguiente comando para ver los registros del trabajo de entrenamiento kmeans-mnist:

kubectl smlogs trainingjob xgboost-mnist-from-for-s3

El resultado debería tener un aspecto similar al siguiente. Los registros de las instancias se ordenan cronológicamente.

"xgboost-mnist-from-for-s3" has SageMaker TrainingJobName "xgboost-mnist-from-for-s3-123456789" in region "us-east-2", status "InProgress" and secondary status "Starting"
xgboost-mnist-from-for-s3-6d7fa0af0bef11eab94e0ed46example/algo-1-1574293123 2019-11-20 23:45:24.7 +0000 UTC Arguments: train
xgboost-mnist-from-for-s3-6d7fa0af0bef11eab94e0ed46example/algo-1-1574293123 2019-11-20 23:45:24.7 +0000 UTC [2019-11-20:23:45:22:INFO] Running standalone xgboost training.
xgboost-mnist-from-for-s3-6d7fa0af0bef11eab94e0ed46example/algo-1-1574293123 2019-11-20 23:45:24.7 +0000 UTC [2019-11-20:23:45:22:INFO] File size need to be processed in the node: 1122.95mb. Available memory size in the node: 8586.0mb
xgboost-mnist-from-for-s3-6d7fa0af0bef11eab94e0ed46example/algo-1-1574293123 2019-11-20 23:45:24.7 +0000 UTC [2019-11-20:23:45:22:INFO] Determined delimiter of CSV input is ','
xgboost-mnist-from-for-s3-6d7fa0af0bef11eab94e0ed46example/algo-1-1574293123 2019-11-20 23:45:24.7 +0000 UTC [23:45:22] S3DistributionType set as FullyReplicated

Eliminación de TrainingJobs

Utilice el siguiente comando para detener un trabajo de entrenamiento en Amazon SageMaker AI:

kubectl delete trainingjob xgboost-mnist-from-for-s3

Este comando elimina el trabajo de entrenamiento de SageMaker de Kubernetes. Este comando devuelve la siguiente salida:

trainingjob.sagemaker.aws.amazon.com "xgboost-mnist-from-for-s3" deleted

Si el trabajo sigue en curso en SageMaker AI, se detiene. No incurrirá en ningún cargo de recursos de SageMaker AI cuando finalice o detenga el trabajo.

Nota: SageMaker AI no elimina los trabajos de entrenamiento. Los trabajos detenidos siguen apareciendo en la consola de SageMaker AI. El comando delete tarda unos 2 minutos en limpiar los recursos de SageMaker AI.

El operador HyperparameterTuningJob

Los operadores del trabajo de ajuste de hiperparámetros concilian las especificaciones del trabajo de ajuste de hiperparámetros especificado con SageMaker AI lanzándolo en SageMaker AI. Puede obtener más información sobre los trabajos de ajuste de hiperparámetros de SageMaker AI en la documentación de la API CreateHyperParameterTuningJob de SageMaker AI.

Creación de un HyperparameterTuningJob mediante un archivo YAML

Creación de un HyperparameterTuningJob mediante un gráfico de Helm

Puede usar gráficos de Helm para ejecutar trabajos de ajuste de hiperparámetros.

Creación del HyperparameterTuningJob

Con los roles y las rutas de Amazon S3 reemplazados por los valores correspondientes en values.yaml, puede crear un trabajo de ajuste de hiperparámetros con el siguiente comando:

helm install . --generate-name

El resultado debería tener un aspecto similar al siguiente:

NAME: chart-1574292948
LAST DEPLOYED: Wed Nov 20 23:35:49 2019
NAMESPACE: default
STATUS: deployed
REVISION: 1
TEST SUITE: None
NOTES:
Thanks for installing the sagemaker-k8s-hyperparametertuningjob.

Verificación de la instalación del gráfico

Para comprobar que el gráfico de Helm se creó correctamente, ejecute el siguiente comando:

helm ls

El resultado debería tener el siguiente aspecto:

NAME                    NAMESPACE       REVISION        UPDATED
chart-1474292948        default         1               2019-11-20 23:35:49.9136092 +0000 UTC   deployed        sagemaker-k8s-hyperparametertuningjob-0.1.0                               STATUS          CHART                           APP VERSION
chart-1574292948        default         1               2019-11-20 23:35:49.9136092 +0000 UTC   deployed        sagemaker-k8s-trainingjob-0.1.0
rolebased-1574291698    default         1               2019-11-20 23:14:59.6777082 +0000 UTC   deployed        sagemaker-k8s-operator-0.1.0

helm install crea un recurso HyperParameterTuningJob de Kubernetes. El operador lanza el trabajo de optimización de hiperparámetros propiamente dicho en SageMaker AI y actualiza el recurso HyperParameterTuningJob de Kubernetes para que refleje el estado del trabajo en SageMaker AI. Se le cobrará por los recursos de SageMaker AI que utilice durante el trabajo. No incurrirá en ningún cargo una vez que su trabajo finalice o se detenga.

Nota: SageMaker AI no permite actualizar un trabajo de ajuste de hiperparámetros en ejecución. No puede editar ningún parámetro ni volver a aplicar el archivo de configuración. Debe cambiar el nombre de los metadatos o eliminar el trabajo existente y crear uno nuevo. Al igual que ocurre con los operadores de trabajos de entrenamiento existentes, como TFJob en Kubeflow, update no se admite.

Enumeración de HyperparameterTuningJobs

Utilice el siguiente comando para enumerar todos los trabajos creados con el operador de Kubernetes:

kubectl get hyperparametertuningjob

El resultado debería tener el siguiente aspecto:

NAME         STATUS      CREATION-TIME          COMPLETED   INPROGRESS   ERRORS   STOPPED   BEST-TRAINING-JOB                               SAGEMAKER-JOB-NAME
xgboost-mnist-hpo   Completed   2019-10-17T01:15:52Z   10          0            0        0         xgboostha92f5e3cf07b11e9bf6c06d6-009-4c7a123   xgboostha92f5e3cf07b11e9bf6c123

Un trabajo de ajuste de hiperparámetros aún aparece en la lista después de que el trabajo se haya completado o haya producido un error. Puede eliminar un hyperparametertuningjob de la lista con los siguientes pasos en Eliminación de un HyperparameterTuningJob. Los trabajos que se hayan completado o interrumpido no incurrirán en ningún cargo por parte de los recursos de SageMaker AI.

Valores de estado del trabajo de ajuste de hiperparámetros

El campo STATUS puede tener uno de los siguientes valores:

Estos estados provienen directamente de la documentación de la API oficial de SageMaker AI.

Además del estado oficial de SageMaker AI, es posible que el STATUS sea SynchronizingK8sJobWithSageMaker. Esto significa que el operador aún no ha procesado el trabajo.

Contadores de estado

La salida tiene varios contadores, como COMPLETED y INPROGRESS. Representan el número de trabajos de entrenamiento que se han completado y están en curso, respectivamente. Para obtener más información sobre cómo se determinan, consulte TrainingJobStatusCounters en la documentación de la API de SageMaker.

Mejor TrainingJob

Esta columna contiene el nombre del TrainingJob que mejor optimizó la métrica seleccionada.

Para ver un resumen de los hiperparámetros ajustados, ejecute:

kubectl describe hyperparametertuningjob xgboost-mnist-hpo

Para ver información detallada acerca del TrainingJob, ejecute:

kubectl describe trainingjobs <job name>

TrainingJobs generados

También puede hacer un seguimiento de los 10 trabajos de entrenamiento en Kubernetes lanzados por HyperparameterTuningJob si ejecuta el siguiente comando:

kubectl get trainingjobs

Descripción de un HyperparameterTuningJob

Puede obtener los detalles de la depuración mediante el comando describe kubectl.

kubectl describe hyperparametertuningjob xgboost-mnist-hpo

Además de la información sobre el trabajo de ajuste, el operador de SageMaker AI para Kubernetes también muestra el mejor trabajo de entrenamiento encontrado por el trabajo de ajuste de hiperparámetros en la salida describe, de la siguiente manera:

Name:         xgboost-mnist-hpo
Namespace:    default
Labels:       <none>
Annotations:  kubectl.kubernetes.io/last-applied-configuration:
                {"apiVersion":"sagemaker.aws.amazon.com/v1","kind":"HyperparameterTuningJob","metadata":{"annotations":{},"name":"xgboost-mnist-hpo","namespace":...
API Version:  sagemaker.aws.amazon.com/v1
Kind:         HyperparameterTuningJob
Metadata:
  Creation Timestamp:  2019-10-17T01:15:52Z
  Finalizers:
    sagemaker-operator-finalizer
  Generation:        2
  Resource Version:  8167
  Self Link:         /apis/sagemaker.aws.amazon.com/v1/namespaces/default/hyperparametertuningjobs/xgboost-mnist-hpo
  UID:               a92f5e3c-f07b-11e9-bf6c-06d6f303uidu
Spec:
  Hyper Parameter Tuning Job Config:
    Hyper Parameter Tuning Job Objective:
      Metric Name:  validation:error
      Type:         Minimize
    Parameter Ranges:
      Integer Parameter Ranges:
        Max Value:     20
        Min Value:     10
        Name:          num_round
        Scaling Type:  Linear
    Resource Limits:
      Max Number Of Training Jobs:     10
      Max Parallel Training Jobs:      10
    Strategy:                          Bayesian
    Training Job Early Stopping Type:  Off
  Hyper Parameter Tuning Job Name:     xgboostha92f5e3cf07b11e9bf6c06d6
  Region:                              us-east-2
  Training Job Definition:
    Algorithm Specification:
      Training Image:       12345678910.dkr.ecr.us-east-2.amazonaws.com/xgboost:1
      Training Input Mode:  File
    Input Data Config:
      Channel Name:  train
      Content Type:  text/csv
      Data Source:
        s3DataSource:
          s3DataDistributionType:  FullyReplicated
          s3DataType:              S3Prefix
          s3Uri:                   https://s3-us-east-2.amazonaws.com/amzn-s3-demo-bucket/sagemaker/xgboost-mnist/train/
      Channel Name:                validation
      Content Type:                text/csv
      Data Source:
        s3DataSource:
          s3DataDistributionType:  FullyReplicated
          s3DataType:              S3Prefix
          s3Uri:                   https://s3-us-east-2.amazonaws.com/amzn-s3-demo-bucket/sagemaker/xgboost-mnist/validation/
    Output Data Config:
      s3OutputPath:  https://s3-us-east-2.amazonaws.com/amzn-s3-demo-bucket/sagemaker/xgboost-mnist/xgboost
    Resource Config:
      Instance Count:     1
      Instance Type:      ml.m4.xlarge
      Volume Size In GB:  5
    Role Arn:             arn:aws:iam::123456789012:role/service-role/AmazonSageMaker-ExecutionRole
    Static Hyper Parameters:
      Name:   base_score
      Value:  0.5
      Name:   booster
      Value:  gbtree
      Name:   csv_weights
      Value:  0
      Name:   dsplit
      Value:  row
      Name:   grow_policy
      Value:  depthwise
      Name:   lambda_bias
      Value:  0.0
      Name:   max_bin
      Value:  256
      Name:   max_leaves
      Value:  0
      Name:   normalize_type
      Value:  tree
      Name:   objective
      Value:  reg:linear
      Name:   one_drop
      Value:  0
      Name:   prob_buffer_row
      Value:  1.0
      Name:   process_type
      Value:  default
      Name:   rate_drop
      Value:  0.0
      Name:   refresh_leaf
      Value:  1
      Name:   sample_type
      Value:  uniform
      Name:   scale_pos_weight
      Value:  1.0
      Name:   silent
      Value:  0
      Name:   sketch_eps
      Value:  0.03
      Name:   skip_drop
      Value:  0.0
      Name:   tree_method
      Value:  auto
      Name:   tweedie_variance_power
      Value:  1.5
    Stopping Condition:
      Max Runtime In Seconds:  86400
Status:
  Best Training Job:
    Creation Time:  2019-10-17T01:16:14Z
    Final Hyper Parameter Tuning Job Objective Metric:
      Metric Name:        validation:error
      Value:
    Objective Status:     Succeeded
    Training End Time:    2019-10-17T01:20:24Z
    Training Job Arn:     arn:aws:sagemaker:us-east-2:123456789012:training-job/xgboostha92f5e3cf07b11e9bf6c06d6-009-4sample
    Training Job Name:    xgboostha92f5e3cf07b11e9bf6c06d6-009-4c7a3059
    Training Job Status:  Completed
    Training Start Time:  2019-10-17T01:18:35Z
    Tuned Hyper Parameters:
      Name:                                    num_round
      Value:                                   18
  Hyper Parameter Tuning Job Status:           Completed
  Last Check Time:                             2019-10-17T01:21:01Z
  Sage Maker Hyper Parameter Tuning Job Name:  xgboostha92f5e3cf07b11e9bf6c06d6
  Training Job Status Counters:
    Completed:            10
    In Progress:          0
    Non Retryable Error:  0
    Retryable Error:      0
    Stopped:              0
    Total Error:          0
Events:                   <none>

Ver los registros de HyperparameterTuningJobs

Los trabajos de ajuste de hiperparámetros no tienen registros, pero todos los trabajos de entrenamiento lanzados por ellos sí los tienen. Puede acceder a estos registros como si se tratara de un trabajo de entrenamiento normal. Para obtener más información, consulte Ver los registros de TrainingJobs.

Eliminación de un HyperparameterTuningJob

Utilice el siguiente comando para detener un trabajo de hiperparámetros en SageMaker AI.

kubectl delete hyperparametertuningjob xgboost-mnist-hpo

Este comando elimina el trabajo de ajuste de hiperparámetros y los trabajos de entrenamiento asociados del clúster de Kubernetes y los detiene en SageMaker AI. Los trabajos que se hayan detenido o completado no incurrirán en ningún cargo por parte de los recursos de SageMaker AI. SageMaker AI no elimina los trabajos de ajuste de hiperparámetros. Los trabajos detenidos siguen apareciendo en la consola de SageMaker AI.

El resultado debería tener el siguiente aspecto:

hyperparametertuningjob.sagemaker.aws.amazon.com "xgboost-mnist-hpo" deleted

Nota: El comando de eliminación tarda unos 2 minutos en limpiar los recursos de SageMaker AI.

El operador BatchTransformJob

Los operadores de trabajos de transformación por lotes concilian las especificaciones del trabajo de transformación por lotes indicado con SageMaker AI lanzándolo automáticamente en SageMaker AI. Puede obtener más información sobre los trabajos de transformación por lotes de SageMaker AI en la documentación de la API CreateTransformJob de SageMaker AI.

Creación de un BatchTransformJob mediante un archivo YAML

Creación de un BatchTransformJob mediante un gráfico de Helm

Puede usar gráficos de Helm para ejecutar trabajos de transformación por lotes.

Obtención del directorio de instaladores de Helm

Clone el repositorio de GitHub para obtener el origen mediante el siguiente comando:

git clone https://github.com/aws/amazon-sagemaker-operator-for-k8s.git

Configuración del gráfico de Helm

Vaya a la carpeta amazon-sagemaker-operator-for-k8s/hack/charts/batch-transform-jobs/.

Edite el archivo values.yaml para sustituir la inputdataconfig por sus datos de entrada y outputPath por los buckets de S3 a los que el rol de ejecución de SageMaker AI tiene acceso de escritura.

Creación de un BatchTransformJob

Nota: SageMaker AI no permite actualizar un trabajo de transformación por lotes en ejecución. No puede editar ningún parámetro ni volver a aplicar el archivo de configuración. Debe cambiar el nombre de los metadatos o eliminar el trabajo existente y crear uno nuevo. Al igual que ocurre con los operadores de trabajos de entrenamiento existentes, como TFJob en Kubeflow, update no se admite.

Enumeración de BatchTransformJobs

Utilice el siguiente comando para enumerar todos los trabajos creados con el operador de Kubernetes:

kubectl get batchtransformjob

El resultado debería tener el siguiente aspecto:

NAME                                STATUS      CREATION-TIME          SAGEMAKER-JOB-NAME
xgboost-mnist-batch-transform       Completed   2019-11-18T03:44:00Z   xgboost-mnist-a88fb19809b511eaac440aa8axgboost

Un trabajo de transformación por lotes aún aparece en la lista después de que el trabajo se haya completado o haya producido un error. Puede eliminar un hyperparametertuningjob de la lista con los siguientes pasos en Eliminación de un BatchTransformJob. Los trabajos que se hayan completado o interrumpido no incurrirán en ningún cargo por parte de los recursos de SageMaker AI.

Valores de estado de transformación por lotes

El campo STATUS puede tener uno de los siguientes valores:

Estos estados provienen directamente de la documentación de la API oficial de SageMaker AI.

Además del estado oficial de SageMaker AI, es posible que el STATUS sea SynchronizingK8sJobWithSageMaker. Esto significa que el operador aún no ha procesado el trabajo.

Descripción de un BatchTransformJob

Puede obtener los detalles de la depuración mediante el comando describe kubectl.

kubectl describe batchtransformjob xgboost-mnist-batch-transform

El resultado debería tener el siguiente aspecto:

Name:         xgboost-mnist-batch-transform
Namespace:    default
Labels:       <none>
Annotations:  kubectl.kubernetes.io/last-applied-configuration:
                {"apiVersion":"sagemaker.aws.amazon.com/v1","kind":"BatchTransformJob","metadata":{"annotations":{},"name":"xgboost-mnist","namespace"...
API Version:  sagemaker.aws.amazon.com/v1
Kind:         BatchTransformJob
Metadata:
  Creation Timestamp:  2019-11-18T03:44:00Z
  Finalizers:
    sagemaker-operator-finalizer
  Generation:        2
  Resource Version:  21990924
  Self Link:         /apis/sagemaker.aws.amazon.com/v1/namespaces/default/batchtransformjobs/xgboost-mnist
  UID:               a88fb198-09b5-11ea-ac44-0aa8a9UIDNUM
Spec:
  Model Name:  TrainingJob-20190814SMJOb-IKEB
  Region:      us-east-1
  Transform Input:
    Content Type:  text/csv
    Data Source:
      S 3 Data Source:
        S 3 Data Type:  S3Prefix
        S 3 Uri:        s3://amzn-s3-demo-bucket/mnist_kmeans_example/input
  Transform Job Name:   xgboost-mnist-a88fb19809b511eaac440aa8a9SMJOB
  Transform Output:
    S 3 Output Path:  s3://amzn-s3-demo-bucket/mnist_kmeans_example/output
  Transform Resources:
    Instance Count:  1
    Instance Type:   ml.m4.xlarge
Status:
  Last Check Time:                2019-11-19T22:50:40Z
  Sage Maker Transform Job Name:  xgboost-mnist-a88fb19809b511eaac440aaSMJOB
  Transform Job Status:           Completed
Events:                           <none>

Vea los registros de BatchTransformJobs

Utilice el siguiente comando para ver los registros del trabajo de transformación por lotes xgboost-mnist:

kubectl smlogs batchtransformjob xgboost-mnist-batch-transform

Eliminación de un BatchTransformJob

Utilice el siguiente comando para detener un trabajo de transformación por lotes en SageMaker AI.

kubectl delete batchTransformJob xgboost-mnist-batch-transform

El resultado debería tener el siguiente aspecto:

batchtransformjob.sagemaker.aws.amazon.com "xgboost-mnist" deleted

Este comando elimina el trabajo de transformación por lotes del clúster de Kubernetes y lo detiene en SageMaker AI. Los trabajos que se hayan detenido o completado no incurrirán en ningún cargo por parte de los recursos de SageMaker AI. La eliminación tarda unos 2 minutos en limpiar los recursos de SageMaker AI.

Nota: SageMaker AI no elimina los trabajos de transformación por lotes. Los trabajos detenidos siguen apareciendo en la consola de SageMaker AI.

El operador HostingDeployment

Los operadores HostingDeployment admiten la creación y eliminación de un punto de conexión, así como la actualización de un punto de conexión existente, para realizar inferencias en tiempo real. El operador de implementación de alojamiento concilia las especificaciones del trabajo de implementación de alojamiento especificado con SageMaker AI mediante la creación de modelos, configuraciones de puntos de conexión y puntos de conexión en SageMaker AI. Puede obtener más información sobre la inferencia de SageMaker AI en la documentación de la API CreateEndpoint de SageMaker AI.

Configuración de un recurso de HostingDeployment

Descargue el archivo YAML de muestra para el trabajo de implementación de alojamiento con el siguiente comando:

wget https://raw.githubusercontent.com/aws/amazon-sagemaker-operator-for-k8s/master/samples/xgboost-mnist-hostingdeployment.yaml

El archivo xgboost-mnist-hostingdeployment.yaml tiene los siguientes componentes que se pueden editar según sea necesario:

Creación de un HostingDeployment

Para crear un HostingDeployment, utilice kubectl para aplicar el archivo hosting.yaml con el siguiente comando:

kubectl apply -f hosting.yaml

SageMaker AI crea un punto de conexión con la configuración especificada. Se le cobrará por los recursos de SageMaker AI que utilice durante la vida útil del punto de conexión. No incurrirá en ningún cargo una vez que se elimine su punto de conexión.

El proceso de creación debería tardar aproximadamente 10 minutos.

Enumeración de HostingDeployments

Para verificar que HostingDeployment se creó, utilice el siguiente comando:

kubectl get hostingdeployments

El resultado debería tener el siguiente aspecto:

NAME           STATUS     SAGEMAKER-ENDPOINT-NAME
host-xgboost   Creating   host-xgboost-def0e83e0d5f11eaaa450aSMLOGS

Valores de estado de HostingDeployment

El campo de estado puede tener uno de los siguientes valores:

Descripción de un HostingDeployment

Puede obtener los detalles de la depuración mediante el comando describe kubectl.

kubectl describe hostingdeployment

El resultado debería tener el siguiente aspecto:

Name:         host-xgboost
Namespace:    default
Labels:       <none>
Annotations:  kubectl.kubernetes.io/last-applied-configuration:
                {"apiVersion":"sagemaker.aws.amazon.com/v1","kind":"HostingDeployment","metadata":{"annotations":{},"name":"host-xgboost","namespace":"def..."
API Version:  sagemaker.aws.amazon.com/v1
Kind:         HostingDeployment
Metadata:
  Creation Timestamp:  2019-11-22T19:40:00Z
  Finalizers:
    sagemaker-operator-finalizer
  Generation:        1
  Resource Version:  4258134
  Self Link:         /apis/sagemaker.aws.amazon.com/v1/namespaces/default/hostingdeployments/host-xgboost
  UID:               def0e83e-0d5f-11ea-aa45-0a3507uiduid
Spec:
  Containers:
    Container Hostname:  xgboost
    Image:               123456789012.dkr.ecr.us-east-2.amazonaws.com/xgboost:latest
    Model Data URL:      s3://amzn-s3-demo-bucket/inference/xgboost-mnist/model.tar.gz
  Models:
    Containers:
      xgboost
    Execution Role Arn:  arn:aws:iam::123456789012:role/service-role/AmazonSageMaker-ExecutionRole
    Name:                xgboost-model
    Primary Container:   xgboost
  Production Variants:
    Initial Instance Count:  1
    Instance Type:           ml.c5.large
    Model Name:              xgboost-model
    Variant Name:            all-traffic
  Region:                    us-east-2
Status:
  Creation Time:         2019-11-22T19:40:04Z
  Endpoint Arn:          arn:aws:sagemaker:us-east-2:123456789012:endpoint/host-xgboost-def0e83e0d5f11eaaaexample
  Endpoint Config Name:  host-xgboost-1-def0e83e0d5f11e-e08f6c510d5f11eaaa450aexample
  Endpoint Name:         host-xgboost-def0e83e0d5f11eaaa450a350733ba06
  Endpoint Status:       Creating
  Endpoint URL:          https://runtime.sagemaker.us-east-2.amazonaws.com/endpoints/host-xgboost-def0e83e0d5f11eaaaexample/invocations
  Last Check Time:       2019-11-22T19:43:57Z
  Last Modified Time:    2019-11-22T19:40:04Z
  Model Names:
    Name:   xgboost-model
    Value:  xgboost-model-1-def0e83e0d5f11-df5cc9fd0d5f11eaaa450aexample
Events:     <none>

El campo de estado proporciona más información mediante los siguientes campos:

Invocación del punto de conexión

Una vez que el estado del punto de conexión es InService, puede invocarlo de dos maneras: mediante la AWS CLI, que realiza la autenticación y firma las solicitudes de URL, o mediante un cliente HTTP como cURL. Si utiliza su propio cliente, tendrá que realizar usted mismo la firma y autenticación de la URL de AWS v4.

Para invocar el punto de conexión mediante la AWS CLI, ejecute el siguiente comando. Asegúrese de sustituir la región y el nombre del punto de conexión por la región de su punto de conexión y el nombre del punto de conexión de SageMaker AI. Esta información se puede obtener de la salida de kubectl describe.

# Invoke the endpoint with mock input data.
aws sagemaker-runtime invoke-endpoint \
  --region us-east-2 \
  --endpoint-name <endpoint name> \
  --body $(seq 784 | xargs echo | sed 's/ /,/g') \
  >(cat) \
  --content-type text/csv > /dev/null

Por ejemplo, si su región es us-east-2 y el nombre de la configuración de su punto de conexión es host-xgboost-f56b6b280d7511ea824b129926example, el siguiente comando invocará el punto de conexión:

aws sagemaker-runtime invoke-endpoint \
  --region us-east-2 \
  --endpoint-name host-xgboost-f56b6b280d7511ea824b1299example \
  --body $(seq 784 | xargs echo | sed 's/ /,/g') \
  >(cat) \
  --content-type text/csv > /dev/null
4.95847082138

Aquí, 4.95847082138 es la predicción del modelo para los datos simulados.

Actualización de HostingDeployment

SageMaker AI implementa un nuevo conjunto de instancias con sus modelos, cambia el tráfico para que use las nuevas instancias y agota las antiguas. En cuanto comience este proceso, el estado pasará a ser Updating. Una vez completada la actualización, su punto de conexión pasa a ser InService. Este proceso puede tardar aproximadamente 10 minutos.

Eliminación del HostingDeployment

Los puntos de conexión que se hayan eliminado no incurrirán en ningún cargo por los recursos de SageMaker AI.

El operador ProcessingJob

Los operadores ProcessingJob se utilizan para lanzar los trabajos de procesamiento de Amazon SageMaker. Para obtener más información sobre los trabajos de procesamiento de SageMaker, consulte CreateProcessingJob.

Creación de un ProcessingJob mediante un archivo YAML

Siga estos pasos para crear un trabajo de procesamiento de Amazon SageMaker mediante un archivo YAML:

Enumeración de ProcessingJobs

Utilice uno de los siguientes comandos para enumerar todos los trabajos creados con el operador ProcessingJob. El SAGEMAKER-JOB-NAME proviene de la sección de metadata del archivo YAML.

Para una instalación basada en el clúster:

kubectl get ProcessingJob kmeans-mnist-processing

Para una instalación basada en el espacio de nombres:

kubectl get ProcessingJob -n <NAMESPACE> kmeans-mnist-processing

El resultado debería tener un aspecto similar al siguiente:

NAME                    STATUS     CREATION-TIME        SAGEMAKER-JOB-NAME
kmeans-mnist-processing InProgress 2020-09-22T21:13:25Z kmeans-mnist-processing-7410ed52fd1811eab19a165ae9f9e385

La salida muestra todos los trabajos, independientemente de su estado. Para eliminar un trabajo de la lista, consulte Delete a Processing Job.

Los trabajos que se hayan completado, detenido o que hayan fallado no incurrirán en ningún cargo adicional por parte de los recursos de SageMaker AI.

Descripción de un ProcessingJob

Utilice uno de los siguientes comandos para obtener más detalles sobre un trabajo de procesamiento. Estos comandos se utilizan normalmente para depurar un problema o comprobar los parámetros de un trabajo de procesamiento.

Para una instalación basada en el clúster:

kubectl describe processingjob kmeans-mnist-processing

Para una instalación basada en el espacio de nombres:

kubectl describe processingjob kmeans-mnist-processing -n <NAMESPACE>

La salida del trabajo de procesamiento debería tener un aspecto similar al siguiente.

$ kubectl describe ProcessingJob kmeans-mnist-processing
Name:         kmeans-mnist-processing
Namespace:    default
Labels:       <none>
Annotations:  kubectl.kubernetes.io/last-applied-configuration:
                {"apiVersion":"sagemaker.aws.amazon.com/v1","kind":"ProcessingJob","metadata":{"annotations":{},"name":"kmeans-mnist-processing",...
API Version:  sagemaker.aws.amazon.com/v1
Kind:         ProcessingJob
Metadata:
  Creation Timestamp:  2020-09-22T21:13:25Z
  Finalizers:
    sagemaker-operator-finalizer
  Generation:        2
  Resource Version:  21746658
  Self Link:         /apis/sagemaker.aws.amazon.com/v1/namespaces/default/processingjobs/kmeans-mnist-processing
  UID:               7410ed52-fd18-11ea-b19a-165ae9f9e385
Spec:
  App Specification:
    Container Entrypoint:
      python
      /opt/ml/processing/code/kmeans_preprocessing.py
    Image Uri:  763104351884.dkr.ecr.us-west-2.amazonaws.com/pytorch-training:1.5.0-cpu-py36-ubuntu16.04
  Environment:
    Name:   MYVAR
    Value:  my_value
    Name:   MYVAR2
    Value:  my_value2
  Network Config:
  Processing Inputs:
    Input Name:  mnist_tar
    s3Input:
      Local Path:   /opt/ml/processing/input
      s3DataType:   S3Prefix
      s3InputMode:  File
      s3Uri:        s3://<s3bucket>-us-west-2/algorithms/kmeans/mnist/mnist.pkl.gz
    Input Name:     source_code
    s3Input:
      Local Path:   /opt/ml/processing/code
      s3DataType:   S3Prefix
      s3InputMode:  File
      s3Uri:        s3://<s3bucket>/mnist_kmeans_example/processing_code/kmeans_preprocessing.py
  Processing Output Config:
    Outputs:
      Output Name:  train_data
      s3Output:
        Local Path:    /opt/ml/processing/output_train/
        s3UploadMode:  EndOfJob
        s3Uri:         s3://<s3bucket>/mnist_kmeans_example/output/
      Output Name:     test_data
      s3Output:
        Local Path:    /opt/ml/processing/output_test/
        s3UploadMode:  EndOfJob
        s3Uri:         s3://<s3bucket>/mnist_kmeans_example/output/
      Output Name:     valid_data
      s3Output:
        Local Path:    /opt/ml/processing/output_valid/
        s3UploadMode:  EndOfJob
        s3Uri:         s3://<s3bucket>/mnist_kmeans_example/output/
  Processing Resources:
    Cluster Config:
      Instance Count:     1
      Instance Type:      ml.m5.xlarge
      Volume Size In GB:  20
  Region:                 us-west-2
  Role Arn:               arn:aws:iam::<acct-id>:role/m-sagemaker-role
  Stopping Condition:
    Max Runtime In Seconds:  1800
  Tags:
    Key:    tagKey
    Value:  tagValue
Status:
  Cloud Watch Log URL:             https://us-west-2.console.aws.amazon.com/cloudwatch/home?region=us-west-2#logStream:group=/aws/sagemaker/ProcessingJobs;prefix=kmeans-mnist-processing-7410ed52fd1811eab19a165ae9f9e385;streamFilter=typeLogStreamPrefix
  Last Check Time:                 2020-09-22T21:14:29Z
  Processing Job Status:           InProgress
  Sage Maker Processing Job Name:  kmeans-mnist-processing-7410ed52fd1811eab19a165ae9f9e385
Events:                            <none>

Eliminación de un ProcessingJob

Al eliminar un trabajo de procesamiento, el trabajo de procesamiento de SageMaker AI se elimina de Kubernetes, pero no se elimina de SageMaker AI. Si el estado del trabajo en SageMaker AI es InProgress, el trabajo se detiene. Los trabajos que se hayan detenido no incurrirán en ningún cargo por parte de los recursos de SageMaker AI. Utilice uno de los siguientes comandos para eliminar un trabajo de procesamiento.

Para una instalación basada en el clúster:

kubectl delete processingjob kmeans-mnist-processing

Para una instalación basada en el espacio de nombres:

kubectl delete processingjob kmeans-mnist-processing -n <NAMESPACE>

La salida del trabajo de procesamiento debería tener un aspecto similar al siguiente.

processingjob.sagemaker.aws.amazon.com "kmeans-mnist-processing" deleted

El operador HostingAutoscalingPolicy (HAP)

El operador HostingAutoscalingPolicy (HAP) toma como entrada una lista de ID de recursos y aplica la misma política a cada uno de ellos. Cada ID de recurso es una combinación de un nombre de punto de conexión y un nombre de variante. El operador HAP realiza dos pasos: registra los ID de los recursos y, a continuación, aplica la política de escalado a cada ID de recurso. Delete deshace ambas acciones. Puede aplicar el HAP a un punto de conexión de SageMaker AI existente o puede crear un nuevo punto de conexión de SageMaker AI mediante el operador HostingDeployment. Puede obtener más información sobre el escalado automático de SageMaker AI en la documentación de la política de escalado automático de aplicaciones.

Creación de una HostingAutoscalingPolicy mediante un archivo YAML

Utilice un archivo YAML para crear una HostingAutoscalingPolicy (HAP) que aplique una métrica predefinida o personalizada a uno o varios puntos de conexión de SageMaker AI.

Amazon SageMaker AI precisa valores específicos para aplicar el escalado automático a la variante. Si estos valores no se indican en la especificación de YAML, el operador HAP aplica los siguientes valores predeterminados.

# Do not change
Namespace                    = "sagemaker"
# Do not change
ScalableDimension            = "sagemaker:variant:DesiredInstanceCount"
# Only one supported
PolicyType                   = "TargetTrackingScaling"
# This is the default policy name but can be changed to apply a custom policy
DefaultAutoscalingPolicyName = "SageMakerEndpointInvocationScalingPolicy"

Utilice los siguientes ejemplos para crear una HAP que aplique una métrica predefinida o personalizada a uno o varios puntos de conexión.

Ejemplo 1: Aplicar una métrica predefinida a una única variante del punto de conexión

Ejemplo 2: Aplicar una métrica personalizada a una única variante del punto de conexión

Ejemplo 3: Aplicar una política de escalado a varios puntos de conexión y variantes

Puede utilizar el operador HAP para aplicar la misma política de escalado a varios ID de recursos. Se crea una solicitud de scaling_policy independiente para cada ID de recurso (combinación de nombre de punto de conexión y nombre de variante).

Consideraciones de HostingAutoscalingPolicies para varios puntos de conexión y variantes

Las siguientes consideraciones se aplican cuando se utilizan varios ID de recursos:

Enumeración de HostingAutoscalingPolicies

Utilice uno de los siguientes comandos para enumerar todas las HostingAutoscalingPolicies (HAP) creadas con el operador HAP.

Para una instalación basada en el clúster:

kubectl get hap

Para una instalación basada en el espacio de nombres:

kubectl get hap -n <NAMESPACE>

El resultado debería tener un aspecto similar al siguiente:

NAME             STATUS   CREATION-TIME
hap-predefined   Created  2021-07-13T21:32:21Z

Utilice el siguiente comando para verificar el estado de su HostingAutoscalingPolicy (HAP).

kubectl get hap <job-name>

Se devuelve uno de los siguientes valores:

Descripción de una HostingAutoscalingPolicy

Utilice el siguiente comando para obtener más detalles sobre una HostingAutoscalingPolicy (HAP). Estos comandos se utilizan normalmente para solucionar un problema o comprobar los ID de recursos (combinaciones de nombres de punto de conexión y nombres de variantes) de una HAP.

kubectl describe hap <job-name>

Actualización de una HostingAutoscalingPolicy

El operador HostingAutoscalingPolicy (HAP) admite actualizaciones. Puede editar su especificación de YAML para cambiar los valores y luego volver a aplicar la política. El operador HAP elimina la política existente y aplica la nueva política.

Eliminación de una HostingAutoscalingPolicy

Utilice uno de los siguientes comandos para eliminar una política de HostingAutoscalingPolicy (HAP).

Para una instalación basada en el clúster:

kubectl delete hap hap-predefined

Para una instalación basada en el espacio de nombres:

kubectl delete hap hap-predefined -n <NAMESPACE>

Este comando elimina la política de escalado y anula el registro del objetivo de escalado en Kubernetes. Este comando devuelve la siguiente salida:

hostingautoscalingpolicies.sagemaker.aws.amazon.com "hap-predefined" deleted

Actualización o eliminación de un punto de conexión con una HostingAutoscalingPolicy

Para actualizar un punto de conexión que tenga una HostingAutoscalingPolicy (HAP), utilice el comando kubectl delete para eliminar la HAP, actualizar el punto de conexión y, a continuación, volver a aplicar la HAP.

Para eliminar un punto de conexión que tiene una HAP, utilice el comando kubectl delete para eliminar la HAP antes de eliminar el punto de conexión.