Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.

# Utilizzo della formazione incrementale in AWS Clean Rooms ML
<a name="use-incremental-training"></a>

Prerequisiti: 
+ E con accesso a Account AWS AWS Clean Rooms
+ Un modello formato esistente in collaborazione 
+ Un set di dati nuovo o aggiornato per l'addestramento incrementale 
+ Autorizzazioni appropriate per creare e gestire modelli ML in collaborazione
+ Familiarità con gli iperparametri e la configurazione del modello esistente 

Con l'addestramento incrementale, puoi utilizzare gli artefatti di un modello esistente e di un set di dati aggiornato per addestrare un nuovo modello. L’addestramento incrementale consente di risparmiare tempo e risorse.

Utilizza l’addestramento incrementale per:
+ Addestra un nuovo modello utilizzando un set di dati espanso con uno schema sottostante che non è stato preso in considerazione nella formazione precedente.
+ Addestra diverse varianti di un modello, con iperparametri diversi o utilizzando set di dati diversi.

------
#### [ Console ]

**Per eseguire un processo di formazione incrementale (console)**

1. Accedi a Console di gestione AWS e apri la AWS Clean Rooms console all'indirizzo [https://console.aws.amazon.com/cleanrooms.](https://console.aws.amazon.com/cleanrooms/home)

1. **Nel riquadro di navigazione a sinistra, scegli Collaborazioni.**

1. Nella pagina **Collaborazioni**, scegli la collaborazione in cui esistono gli artefatti del modello che desideri utilizzare per la formazione incrementale.

1. **Dopo l'apertura della collaborazione, scegli la scheda Modelli ML.**

1. In **Modelli ML personalizzati**, nella sezione **Modelli addestrati**, scegli il pulsante di opzione accanto al modello addestrato che desideri addestrare in modo incrementale.

1. Nella pagina **Panoramica**, in **Versioni**, 

   1. Scegli il pulsante di opzione accanto al modello addestrato che desideri addestrare in modo incrementale.

   1. Scegli **Train dalla versione**. 

1. Nella pagina **Crea modello addestrato dalla versione**, per **Versione del modello addestrato**, scegli la versione.

   La versione del modello base viene selezionata automaticamente. È possibile modificare questa versione se esistono altre versioni.

1. Per **i dettagli del modello Trained**, inserisci quanto segue:

   1. Per **Nome**, inserisci un nome univoco per il modello nella collaborazione.

   1. (Facoltativo) In **Descrizione**, inserite una descrizione del modello addestrato.

   1. Per la **modalità di immissione dei dati di addestramento**, scegliete una delle seguenti opzioni:
      + Seleziona **File** se disponi di un set di dati più piccolo che può essere inserito nel volume di archiviazione ML e preferisci l'accesso tradizionale al file system per lo script di formazione.
      + Seleziona **Pipe** per set di dati di grandi dimensioni per lo streaming dei dati direttamente da S3, evitando di dover scaricare tutto su disco, il che può migliorare la velocità di addestramento e ridurre i requisiti di archiviazione.
      + Scegli **FastFile**se vuoi combinare i vantaggi dello streaming da S3 con l'accesso al file system, in particolare per i dati letti in sequenza o quando hai a che fare con meno file per tempi di avvio più rapidi.

   1. Per il nome del **canale di formazione incrementale, inserisci un nome** per il canale di formazione incrementale 
**Nota**  
Se specificate il **nome del canale di formazione incrementale** senza un ID di versione, il sistema utilizza il modello base per l'allenamento incrementale. 

1. Per i **dettagli del canale di input ML**, effettuate le seguenti operazioni: 

   1. Per il **canale di input ML**, specificate il canale di input ML che fornisce dati all'algoritmo del modello. 

      Per aggiungere un altro canale, scegliete **Aggiungi un altro canale di input ML**. È possibile aggiungere fino a 19 canali di ingresso ML aggiuntivi. 

   1. Per **Nome canale**, immettete il nome del canale di ingresso ML.

   1. Per il **tipo di distribuzione dei dati di Amazon S3**, scegli una delle seguenti opzioni:
      + Seleziona **Completamente replicato** per fornire a ogni istanza di formazione una copia completa del set di dati. Ciò funziona al meglio quando il set di dati è sufficientemente piccolo da contenere la memoria o quando ogni istanza deve accedere a tutti i dati.
      + Seleziona **Sharded by S3 key** per dividere il set di dati tra le istanze di addestramento basate sulle chiavi S3. Ogni istanza riceve circa 1/n del totale di oggetti S3, dove 'n' è il numero di istanze. Funziona meglio per set di dati di grandi dimensioni che desideri elaborare in parallelo.
**Nota**  
Considerate le dimensioni del set di dati e i requisiti di formazione quando selezionate un tipo di distribuzione. La **replica completa** fornisce l'accesso completo ai dati ma richiede più spazio di archiviazione, mentre **Sharded by S3 key** consente l'elaborazione distribuita di set di dati di grandi dimensioni.

1. Per la **durata massima dell'allenamento**, scegli la quantità massima di tempo in cui desideri addestrare il tuo modello.

1. Per **Hyperparameters**, specificate tutti i parametri specifici dell'algoritmo e i valori desiderati. Gli iperparametri sono specifici del modello da addestrare e vengono utilizzati per ottimizzare l'addestramento del modello.

1. Per **le variabili di ambiente**, specificate tutte le variabili specifiche dell'algoritmo e i valori previsti. Le variabili di ambiente sono impostate nel contenitore Docker.

1. Per utilizzare una **crittografia** personalizzata AWS KMS key, seleziona la casella di controllo **Crittografa il segreto con una chiave KMS personalizzata**.

1. Per la **configurazione delle risorse EC2**, specifica le informazioni sulle risorse di calcolo utilizzate per l'addestramento dei modelli. 

   1. Per **Tipo di istanza**, scegli il tipo di istanza che desideri eseguire.

   1. Per **Numero di istanze**, inserisci il numero di istanze.

   1. Per **Dimensione del volume in GB**, inserisci la dimensione del volume di archiviazione ML.

1. Scegli **Crea modello addestrato dalla versione**. 

------
#### [ API ]

Per eseguire un processo di formazione incrementale (API)

Esegui il codice seguente con i tuoi parametri specifici:

```
import boto3 
acr_ml_client= boto3.client('cleanroomsml')
 
acr_ml_client.create_trained_model(
    membershipIdentifier= '{{membership_id}}',
    configuredModelAlgorithmAssociationArn = 'arn:aws:cleanrooms-ml:{{region:account:membership}}/membershipIdentifier/configured-model-algorithm-association/{{identifier}}',
    name='{{trained_model_name}}',
    resourceConfig={
        'instanceType': 'ml.m5.xlarge',
        'volumeSizeInGB': 1
    },
    incrementalTrainingDataChannels=[
        {
            'trainedModelArn': trained_model_arn,
            'channelName': '{{channel_name}}'
        },
    ]
    dataChannels=[
        {
            'mlInputChannelArn': channel_arn_1,
            'channelName': '{{channel_name}}'
        },
        {
            'mlInputChannelArn': channel_arn_2,
            'channelName': '{{channel_name}}'
        }
    ]
)
```

**Nota**  
Limite: massimo 20 canali in totale (inclusi entrambi `dataChannels` e`incrementalTrainingDataChannels`).

------

**Nota**  
Dopo aver creato il modello addestrato, non è possibile modificarlo. Per apportare modifiche, elimina il modello addestrato e creane uno nuovo.