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. # Requisitos previos SageMaker Neo es una función que te permite entrenar modelos de aprendizaje automático una vez y ejecutarlos en cualquier lugar de la nube y en la periferia. Antes de compilar y optimizar los modelos con Neo, debe configurar algunos requisitos previos. Debe instalar las bibliotecas de Python necesarias, configurar sus AWS credenciales, crear un rol de IAM con los permisos necesarios y configurar un bucket de S3 para almacenar los artefactos del modelo. También debe tener preparado un modelo de machine learning entrenado. Los pasos siguientes le guiarán a través de la configuración: 1. **Instalación de Boto3** Si ejecuta estos comandos en su dispositivo periférico, debe instalar AWS SDK para Python (Boto3). En un entorno Python (preferiblemente un entorno virtual), ejecute lo siguiente localmente en el terminal de su dispositivo periférico o en una instancia de cuaderno de Jupyter: ------ #### [ Terminal ] ``` pip install boto3 ``` ------ #### [ Jupyter Notebook ] ``` !pip install boto3 ``` ------ 1. **Configure las credenciales AWS ** Debe configurar las credenciales de Amazon Web Services en su dispositivo para ejecutar SDK for Python (Boto3). De forma predeterminada, las AWS credenciales deben almacenarse en el archivo `~/.aws/credentials` del dispositivo perimetral. En el archivo de credenciales, debe ver dos variables de entorno: `aws_access_key_id` y `aws_secret_access_key`. En su terminal, ejecute: ``` $ more ~/.aws/credentials [default] aws_access_key_id = {{YOUR_ACCESS_KEY}} aws_secret_access_key = {{YOUR_SECRET_KEY}} ``` La [ Guía de referencia general AWS](https://docs.aws.amazon.com/general/latest/gr/aws-sec-cred-types.html#access-keys-and-secret-access-keys) contiene instrucciones sobre cómo obtener las `aws_access_key_id` y `aws_secret_access_key` necesarias. Para obtener más información sobre cómo configurar las credenciales en su dispositivo, consulte la documentación de [Boto3](https://boto3.amazonaws.com/v1/documentation/api/latest/guide/quickstart.html#configuration). 1. **Configure un rol de IAM y asocie políticas.** Neo necesita acceder al URI del bucket de S3. Cree un rol de IAM que pueda ejecutar SageMaker IA y que tenga permiso para acceder al URI de S3. Puede crear un rol de IAM mediante el SDK para Python (Boto3), la consola o AWS CLI. El siguiente ejemplo ilustra cómo crear un rol de IAM mediante SDK for Python (Boto3): ``` import boto3 AWS_REGION = {{'aws-region'}} # Create an IAM client to interact with IAM iam_client = boto3.client('iam', region_name=AWS_REGION) role_name = {{'role-name'}} ``` Para obtener más información sobre cómo crear un rol de IAM con la consola o mediante la AWS API AWS CLI, consulte [Crear un usuario de IAM en](https://docs.aws.amazon.com/IAM/latest/UserGuide/id_users_create.html#id_users_create_api) su cuenta. AWS Cree un diccionario que describa la política de IAM que va a asociar. Esta política se utiliza para crear un nuevo rol de IAM. ``` policy = { 'Statement': [ { 'Action': 'sts:AssumeRole', 'Effect': 'Allow', 'Principal': {'Service': 'sagemaker.amazonaws.com'}, }], 'Version': '2012-10-17 ' } ``` Cree un nuevo rol de IAM con la política que definió anteriormente: ``` import json new_role = iam_client.create_role( AssumeRolePolicyDocument=json.dumps(policy), Path='/', RoleName=role_name ) ``` Necesitará saber cuál es su nombre de recurso de Amazon (ARN) cuando cree un trabajo de compilación en un paso posterior, así que guárdelo también en una variable. ``` role_arn = new_role['Role']['Arn'] ``` Ahora que ha creado un nuevo rol, adjunte los permisos que necesita para interactuar con Amazon SageMaker AI y Amazon S3: ``` iam_client.attach_role_policy( RoleName=role_name, PolicyArn='arn:aws:iam::aws:policy/AmazonSageMakerFullAccess' ) iam_client.attach_role_policy( RoleName=role_name, PolicyArn='arn:aws:iam::aws:policy/AmazonS3FullAccess' ); ``` 1. **Cree un bucket de Amazon S3 para almacenar los artefactos de sus modelos** SageMaker Neo accederá a los artefactos de sus modelos desde Amazon S3 ------ #### [ Boto3 ] ``` # Create an S3 client s3_client = boto3.client('s3', region_name=AWS_REGION) # Name buckets bucket='name-of-your-bucket' # Check if bucket exists if boto3.resource('s3').Bucket(bucket) not in boto3.resource('s3').buckets.all(): s3_client.create_bucket( Bucket=bucket, CreateBucketConfiguration={ 'LocationConstraint': AWS_REGION } ) else: print(f'Bucket {bucket} already exists. No action needed.') ``` ------ #### [ CLI ] ``` aws s3 mb s3://{{'name-of-your-bucket'}} --region {{specify-your-region}} # Check your bucket exists aws s3 ls s3://{{'name-of-your-bucket'}}/ ``` ------ 1. **Formación de un modelo de machine learning** Consulte [Entrenar un modelo con Amazon SageMaker AI](https://docs.aws.amazon.com/sagemaker/latest/dg/how-it-works-training.html) para obtener más información sobre cómo entrenar un modelo de aprendizaje automático con Amazon SageMaker AI. Si lo desea, puede cargar su modelo formado a nivel local directamente en un bucket de URI de Amazon S3. **nota** Asegúrese de que el modelo tenga el formato correcto en función del marco que haya utilizado. Consulte [¿Qué formas de datos de entrada espera SageMaker Neo?](https://docs.aws.amazon.com/sagemaker/latest/dg/neo-job-compilation.html#neo-job-compilation-expected-inputs) Si aún no tiene un modelo, utilice el `curl` comando para obtener una copia local TensorFlow del `coco_ssd_mobilenet` modelo en el sitio web. El modelo que acaba de copiar es un modelo de detección de objetos formado a partir del [conjunto de datos COCO](https://cocodataset.org/#home). Escribe lo siguiente en su cuaderno de Jupyter: ``` model_zip_filename = './coco_ssd_mobilenet_v1_1.0.zip' !curl http://storage.googleapis.com/download.tensorflow.org/models/tflite/coco_ssd_mobilenet_v1_1.0_quant_2018_06_29.zip \ --output {model_zip_filename} ``` Tenga en cuenta que este ejemplo en particular se empaquetó en un archivo .zip. Descomprima este archivo y vuelva a empaquetarlo como un archivo tar comprimido (`.tar.gz`) antes de usarlo en pasos posteriores. Escribe lo siguiente en su cuaderno de Jupyter: ``` # Extract model from zip file !unzip -u {model_zip_filename} model_filename = 'detect.tflite' model_name = model_filename.split('.')[0] # Compress model into .tar.gz so SageMaker Neo can use it model_tar = model_name + '.tar.gz' !tar -czf {model_tar} {model_filename} ``` 1. **Cargue el modelo formado en un bucket de S3** Una vez que tenga un modelo de machine learning, guárdelo en un bucket de Amazon S3. ------ #### [ Boto3 ] ``` # Upload model s3_client.upload_file(Filename=model_filename, Bucket=bucket, Key=model_filename) ``` ------ #### [ CLI ] Reemplace `your-model-filename` y `amzn-s3-demo-bucket` con el nombre de su bucket de S3. ``` aws s3 cp {{your-model-filename}} s3://{{amzn-s3-demo-bucket}} ``` ------