View a markdown version of this page

Activation de la création de points de contrôle - 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.

Activation de la création de points de contrôle

Une fois que vous avez activé le point de contrôle, SageMaker AI enregistre les points de contrôle dans Amazon S3 et synchronise votre travail de formation avec le compartiment Checkpoint S3. Vous pouvez utiliser des compartiments S3 à usage général ou des compartiments de répertoires S3 pour vos points de contrôle.

Diagramme d’architecture de l’écriture des points de contrôle pendant l’entraînement.

L'exemple suivant montre comment configurer les trajectoires des points de contrôle lorsque vous créez un objet d'entraînement basé sur l' SageMaker IA.

Pour activer le point de contrôle, ajoutez le checkpoint_config paramètre à votreModelTrainer. L'exemple de modèle suivant montre comment créer une SageMaker IA ModelTrainer et activer le point de contrôle. Vous pouvez utiliser ce modèle pour n'importe quel algorithme pris en charge en spécifiant le training_image paramètre. Pour trouver les URI des images Docker pour les algorithmes dont le point de contrôle est pris en charge par l' SageMaker IA, consultez Docker Registry Paths and Example Code. Dans la version V3, la ModelTrainer classe unifiée remplace toutes les classes d'estimateurs spécifiques au framework (TensorFlow,, PyTorch XGBoost HuggingFace, etc.).

from sagemaker.train import ModelTrainer
from sagemaker.train.configs import Compute, CheckpointConfig
from sagemaker.core.helper.session_helper import Session

bucket = Session().default_bucket()
base_job_name = "sagemaker-checkpoint-test"
checkpoint_in_bucket = "checkpoints"

# The S3 URI to store the checkpoints
checkpoint_s3_bucket = "s3://{}/{}/{}".format(bucket, base_job_name, checkpoint_in_bucket)

model_trainer = ModelTrainer(
    training_image="<ecr_path>/<algorithm-name>:<tag>",
    role=role,
    compute=Compute(instance_type="ml.m5.xlarge", instance_count=1),
    base_job_name=base_job_name,
    checkpoint_config=CheckpointConfig(
        s3_uri=checkpoint_s3_bucket,
        local_path="/opt/ml/checkpoints"
    )
)

Le checkpoint_config paramètre accepte un CheckpointConfig objet contenant les champs suivants :

  • local_path— Le chemin local sur lequel le modèle enregistre périodiquement les points de contrôle dans un conteneur de formation. Le chemin d’accès par défaut est défini sur '/opt/ml/checkpoints'. Si vous utilisez d’autres cadres ou que vous importez votre propre conteneur d’entraînement, veillez à ce que la configuration de point de contrôle de votre script d’entraînement spécifie le chemin d’accès à '/opt/ml/checkpoints'.

    Note

    Nous vous recommandons de spécifier les chemins locaux de manière '/opt/ml/checkpoints' à ce qu'ils soient cohérents avec les paramètres de point de contrôle par défaut de l' SageMaker IA. Si vous préférez spécifier votre propre chemin local, assurez-vous de faire correspondre le chemin de sauvegarde du point de contrôle dans votre script d'entraînement et local_path dans votreCheckpointConfig.

  • s3_uri : l’URI vers un compartiment S3 où les points de contrôle sont stockés en temps réel. Vous pouvez spécifier un compartiment S3 à usage général ou un compartiment de répertoires S3 pour stocker vos points de contrôle. Pour plus d’informations sur les compartiments de répertoire S3, consultez Compartiments de répertoire dans le Guide de l’utilisateur Amazon Simple Storage Service.

Pour obtenir la liste complète des ModelTrainer paramètres de l' SageMaker IA, consultez l'ModelTrainer API dans la documentation du SDK Amazon SageMaker Python.