Utilisation d’AutoGluon-Tabular dans SageMaker AI

Utilisation d'AutoGluon-Tabular en tant qu'algorithme intégré

Utilisez l'algorithme intégré AutoGluon-Tabular pour créer un conteneur d'entraînement AutoGluon-Tabular comme indiqué dans l'exemple de code suivant. Vous pouvez repérer automatiquement l’URI d’image de l’algorithme intégré AutoGluon-Tabular à l’aide de l’API image_uris.retrieve SageMaker AI (ou de l’API get_image_uri si vous utilisez le kit Amazon SageMaker Python SDK version 2).

Après avoir spécifié l’URI d’image AutoGluon-Tabular, vous pouvez utiliser le conteneur AutoGluon-Tabular pour créer un évaluateur à l’aide de l’API SageMaker AI Estimator, et lancer une tâche d’entraînement. L'algorithme intégré AutoGluon-Tabular s'exécute en mode script, mais le script d'entraînement vous est fourni et n'a pas besoin d'être remplacé. Si vous avez une vaste expérience de l'utilisation du mode script pour créer une tâche d'entraînement SageMaker, vous pouvez intégrer vos propres scripts d'entraînement AutoGluon-Tabular.

from sagemaker import image_uris, model_uris, script_uris

train_model_id, train_model_version, train_scope = "autogluon-classification-ensemble", "*", "training"
training_instance_type = "ml.p3.2xlarge"

# Retrieve the docker image
train_image_uri = image_uris.retrieve(
    region=None,
    framework=None,
    model_id=train_model_id,
    model_version=train_model_version,
    image_scope=train_scope,
    instance_type=training_instance_type
)

# Retrieve the training script
train_source_uri = script_uris.retrieve(
    model_id=train_model_id, model_version=train_model_version, script_scope=train_scope
)

train_model_uri = model_uris.retrieve(
    model_id=train_model_id, model_version=train_model_version, model_scope=train_scope
)

# Sample training data is available in this bucket
training_data_bucket = f"jumpstart-cache-prod-{aws_region}"
training_data_prefix = "training-datasets/tabular_binary/"

training_dataset_s3_path = f"s3://{training_data_bucket}/{training_data_prefix}/train"
validation_dataset_s3_path = f"s3://{training_data_bucket}/{training_data_prefix}/validation"

output_bucket = sess.default_bucket()
output_prefix = "jumpstart-example-tabular-training"

s3_output_location = f"s3://{output_bucket}/{output_prefix}/output"

from sagemaker import hyperparameters

# Retrieve the default hyperparameters for training the model
hyperparameters = hyperparameters.retrieve_default(
    model_id=train_model_id, model_version=train_model_version
)

# [Optional] Override default hyperparameters with custom values
hyperparameters[
    "auto_stack"
] = "True"
print(hyperparameters)

from sagemaker.estimator import Estimator
from sagemaker.utils import name_from_base

training_job_name = name_from_base(f"built-in-algo-{train_model_id}-training")

# Create SageMaker Estimator instance
tabular_estimator = Estimator(
    role=aws_role,
    image_uri=train_image_uri,
    source_dir=train_source_uri,
    model_uri=train_model_uri,
    entry_point="transfer_learning.py",
    instance_count=1,
    instance_type=training_instance_type,
    max_run=360000,
    hyperparameters=hyperparameters,
    output_path=s3_output_location
)

# Launch a SageMaker Training job by passing the S3 path of the training data
tabular_estimator.fit(
    {
        "training": training_dataset_s3_path,
        "validation": validation_dataset_s3_path,
    }, logs=True, job_name=training_job_name
)

Pour plus d'informations sur la configuration d'AutoGluon-Tabular en tant qu'algorithme intégré, consultez les exemples de bloc-notes suivants. Tout compartiment S3 utilisé dans ces exemples doit se trouver dans la même région AWS que l'instance de bloc-notes utilisée pour l'exécuter.