Processeur d’infrastructure TensorFlow

TensorFlow est une bibliothèque open source de machine learning et d’intelligence artificielle. Le TensorFlowProcessor dans le kit Amazon SageMaker Python SDK vous permet d’exécuter des tâches de traitement avec des scripts TensorFlow. Lorsque vous utilisez le TensorFlowProcessor, vous pouvez exploiter un conteneur Docker créé par Amazon avec un environnement TensorFlow géré afin que de ne pas devoir apporter votre propre conteneur.

L’exemple de code suivant illustre comment utiliser le TensorFlowProcessor pour exécuter votre tâche de traitement à l’aide d’une image Docker fournie et gérée par SageMaker AI. Notez que lorsque vous exécutez la tâche, vous pouvez spécifier un répertoire contenant vos scripts et dépendances dans l’argument source_dir, et il se peut que vous ayez un fichier requirements.txt situé à l’intérieur de votre répertoire source_dir qui spécifie les dépendances de votre ou vos scripts de traitement. SageMaker Processing installe les dépendances dans requirements.txt au sein du conteneur, pour vous.

from sagemaker.tensorflow import TensorFlowProcessor
from sagemaker.processing import ProcessingInput, ProcessingOutput
from sagemaker import get_execution_role

#Initialize the TensorFlowProcessor
tp = TensorFlowProcessor(
    framework_version='2.3',
    role=get_execution_role(),
    instance_type='ml.m5.xlarge',
    instance_count=1,
    base_job_name='frameworkprocessor-TF',
    py_version='py37'
)

#Run the processing job
tp.run(
    code='processing-script.py',
    source_dir='scripts',
    inputs=[
        ProcessingInput(
            input_name='data',
            source=f's3://{BUCKET}/{S3_INPUT_PATH}',
            destination='/opt/ml/processing/input/data'
        ),
        ProcessingInput(
            input_name='model',
            source=f's3://{BUCKET}/{S3_PATH_TO_MODEL}',
            destination='/opt/ml/processing/input/model'
        )
    ],
    outputs=[
        ProcessingOutput(
            output_name='predictions',
            source='/opt/ml/processing/output',
            destination=f's3://{BUCKET}/{S3_OUTPUT_PATH}'
        )
    ]
)

Si vous avez un fichier requirements.txt, il doit s’agir d’une liste de bibliothèques que vous souhaitez installer dans le conteneur. Le chemin d’accès pour source_dir peut être un chemin d’accès relatif, absolu ou par URI Amazon S3. Toutefois, si vous utilisez un chemin d’accès par URI Amazon S3, celui-ci doit pointer vers un fichier tar.gz. Vous pouvez disposer de plusieurs scripts dans le répertoire que vous spécifiez pour source_dir. Pour plus d’informations sur la classe TensorFlowProcessor, consultez Estimateur TensorFlow dans le kit Amazon SageMaker Python SDK.