View a markdown version of this page

Utilisez l'estimateur générique SageMaker AI pour étendre les conteneurs DLC prédéfinis - Amazon SageMaker AI

Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.

Utilisez l'estimateur générique SageMaker AI pour étendre les conteneurs DLC prédéfinis

Vous pouvez personnaliser les conteneurs prédéfinis SageMaker AI ou les étendre pour gérer toute exigence fonctionnelle supplémentaire pour votre algorithme ou votre modèle que l'image SageMaker AI Docker prédéfinie ne prend pas en charge. Pour apprendre comment étendre un conteneur précréé, consultez Étendre un conteneur précréé.

Pour étendre un conteneur prédéfini ou adapter votre propre conteneur à l’utilisation de la bibliothèque, vous devez utiliser l’une des images répertoriées dans Cadres pris en charge.

Note

À partir des TensorFlow versions 2.4.1 et PyTorch 1.8.1, les DLC SageMaker AI Framework prennent en charge EFA-enabled les types d'instances. Nous vous recommandons d'utiliser les images du DLC contenant la TensorFlow version 2.4.1 ou ultérieure et la version PyTorch 1.8.1 ou ultérieure.

Par exemple, si vous utilisez PyTorch, votre Dockerfile doit contenir une FROM instruction similaire à la suivante :

# 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.
COPY train.py /opt/ml/code/train.py

# Defines cifar10.py as script entrypoint
ENV SAGEMAKER_PROGRAM train.py

Vous pouvez personnaliser davantage votre propre conteneur Docker pour qu'il fonctionne avec l' SageMaker IA à l'aide de la boîte à outils de SageMaker formation et du fichier binaire de la bibliothèque parallèle de données distribuées SageMaker AI. Pour plus d’informations, consultez les instructions de la section suivante.