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.

Esempi e ulteriori informazioni: utilizzo del proprio algoritmo o modello

I seguenti notebook Jupyter e le informazioni aggiuntive mostrano come utilizzare i propri algoritmi o modelli preaddestrati da un'istanza di Amazon Notebook. SageMaker Per i collegamenti agli GitHub archivi con i Dockerfile predefiniti per TensorFlow MXNet, Chainer e i PyTorch framework e le istruzioni sull'uso degli AWS SDK per Python (Boto3) estimatori per eseguire i propri algoritmi di addestramento su AI Learner e i propri modelli sull'hosting AI, vedere SageMaker SageMaker Immagini Docker SageMaker AI predefinite per il deep learning

Configurazione

Ospita modelli formati in Scikit-learn

Per scoprire come ospitare modelli addestrati a fare previsioni nell' Scikit-learn SageMaker IA inserendoli in contenitori k-means e XGBoost di prima parte, consulta i seguenti notebook di esempio.

Package TensorFlow e Scikit-learn modelli per l'uso nell' SageMaker IA

Per imparare a impacchettare gli algoritmi che hai sviluppato TensorFlow e i framework scikit-learn per la formazione e l'implementazione nell'ambiente SageMaker AI, consulta i seguenti taccuini. Questi mostrano come compilare, registrare e distribuire i container Docker utilizzando Dockerfile.

Addestra e implementa una rete neurale sull'intelligenza artificiale SageMaker

Per informazioni su come addestrare una rete neurale localmente utilizzando MXNet TensorFlow o, quindi, creare un endpoint dal modello addestrato e distribuirlo SageMaker sull'intelligenza artificiale, consulta i seguenti notebook. Il modello MXNet viene addestrato per riconoscere i numeri scritti a mano dal dataset MNIST. Il modello è addestrato a classificare le iridi. TensorFlow

Addestramento in modalità pipe

Per ulteriori informazioni su come utilizzare un Dockerfile per compilare un container che chiama train.py script e utilizza la modalità pipe per eseguire l’addestramento personalizzato di un algoritmo, consulta i seguenti notebook. In modalità pipe, i dati di input vengono trasferiti all'algoritmo durante l’addestramento dello stesso. Questo consente di ridurre il tempo di addestramento rispetto all'utilizzo della modalità file.

Usa il tuo modello R

Per informazioni su come utilizzare l'aggiunta di un'immagine R personalizzata per creare e addestrare un modello in un notebook AWS SMS , consulta il seguente post del blog. Questo post sul blog utilizza un Dockerfile R di esempio da una libreria di esempi di immagini personalizzate di SageMaker AI Studio Classic.

Estendi un'immagine del PyTorch contenitore preconfigurata

Per sapere come estendere un'immagine di PyTorch contenitore SageMaker AI precostruita quando hai requisiti funzionali aggiuntivi per il tuo algoritmo o modello che l'immagine Docker precostruita non supporta, consulta il seguente taccuino.

Per ulteriori informazioni sull'estensione di un contenitore, consulta Estendi un Pre-built contenitore.

Addestra ed esegui il debug di processi di addestramento su un container personalizzato

Per informazioni su come addestrare ed eseguire il debug dei lavori di formazione utilizzando SageMaker Debugger, consultate il seguente taccuino. Uno script di formazione fornito tramite questo esempio utilizza il modello TensorFlow Keras ResNet 50 e il set di dati CIFAR10. Un container personalizzato Docker viene creato con lo script di addestramento e inviato ad Amazon ECR. Durante l'esecuzione del processo di addestramento, Debugger raccoglie gli output dei tensori e identifica i problemi di debug. Con gli strumenti della libreria client smdebug, puoi impostare un oggetto di prova smdebug che richiama il processo di addestramento e le informazioni di debug, controlla lo stato delle regole di addestramento e Debugger e recupera i tensori salvati in un bucket Amazon S3 per analizzare i problemi di addestramento.