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.
Utilizzare lo strumento di stima generico di SageMaker AI per estendere i Container DL predefiniti
È possibile personalizzare i container predefiniti di SageMaker AI o estenderli per gestire eventuali requisiti funzionali aggiuntivi per l’algoritmo o il modello non supportato dall’immagine Docker di SageMaker AI predefinita. Per un esempio di come è possibile estendere un container predefinito, consulta Estendere un container predefinito.
Per estendere un container predefinito o adattare il tuo container all'uso della libreria, devi utilizzare una delle immagini elencate in Framework supportati.
Nota
Da TensorFlow 2.4.1 e PyTorch 1.8.1, i Container DL del framework SageMaker AI supportano tipi di istanza abilitati per EFA. Ti consigliamo di utilizzare le immagini DLC che contengono TensorFlow 2.4.1 o versione successiva e PyTorch 1.8.1 o versione successiva.
Ad esempio, se usi PyTorch, il Dockerfile deve contenere un'istruzione FROM simile alla seguente:
# 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. COPYtrain.py/opt/ml/code/train.py # Defines cifar10.py as script entrypoint ENV SAGEMAKER_PROGRAMtrain.py
Puoi personalizzare ulteriormente il tuo container Docker per lavorare con SageMaker AI utilizzando Kit di strumenti di SageMaker Training