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.
Démarrage de l’entraînement d’un réseau graphique profond
DGL est disponible en tant que conteneur deep learning dans Amazon ECR. Vous pouvez sélectionner des conteneurs deep learning lorsque vous écrivez votre fonction d'estimateur dans un bloc-notes Amazon SageMaker. Vous pouvez également créer votre propre conteneur personnalisé avec la DGL en suivant le guide Apportez votre propre conteneur. La façon la plus simple de démarrer avec un réseau graphique profond est d’utiliser l’un des conteneurs DGL dans Amazon Elastic Container Registry (Amazon ECR).
Note
La prise en charge du cadre backend est limitée à PyTorch et MXNet.
Configuration
Si vous utilisez Amazon SageMaker Studio, vous devez d'abord cloner le référentiel d'exemples. Si vous utilisez une instance de bloc-notes, vous trouverez les exemples en choisissant l’icône SageMaker AI en bas de la barre d’outils gauche.
Pour cloner le kit SDK Amazon SageMaker et le référentiel d'exemples de bloc-notes
-
Dans la vue JupyterLab d’Amazon SageMaker AI, accédez au Navigateur de fichiers en haut de la barre d’outils gauche. Vous pouvez voir une nouvelle navigation en haut du panneau Navigateur de fichiers.
-
Choisissez l'icône la plus à droite pour cloner un référentiel Git.
-
Ajouter l'URL du référentiel : https://github.com/awslabs/amazon-sagemaker-examples.githttps://github.com/awslabs/amazon-sagemaker-examples.git
-
Parcourez le dossier nouvellement ajouté et son contenu. Les exemples de DGL sont stockés dans le dossier sagemaker-python-sdk.
Entraînement
Une fois la configuration terminée, vous pouvez entraîner le réseau graphique profond.
