View a markdown version of this page

Input contratto container - Amazon SageMaker AI

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.

Input contratto container

Nota

Amazon SageMaker Model Monitor non è più aperto a nuovi clienti. I clienti esistenti possono continuare a utilizzare il servizio normalmente. AWS continua a investire in miglioramenti della sicurezza e della disponibilità per Model Monitor, ma non prevediamo di introdurre nuove funzionalità. Per ulteriori informazioni, consulta modifica della disponibilità di Amazon SageMaker Model Monitor.

La piattaforma Amazon SageMaker Model Monitor richiama il codice del contenitore in base a una pianificazione specificata. Se scegli di scrivere il tuo codice container, sono disponibili le seguenti variabili di ambiente. In questo contesto, è possibile analizzare il set di dati corrente o valutare i vincoli se si sceglie di emettere parametri, se applicabili.

Le variabili di ambiente disponibili sono le stesse per gli endpoint in tempo reale e i processi di trasformazione di batch, ad eccezione della variabile dataset_format. Se si utilizza un endpoint in tempo reale, la variabile dataset_format supporta le seguenti opzioni:

{\"sagemakerCaptureJson\": {\"captureIndexNames\": [\"endpointInput\",\"endpointOutput\"]}}

Se si utilizza un processo di trasformazione di batch, dataset_format supporta le seguenti opzioni:

{\"csv\": {\"header\": [\"true\",\"false\"]}}
{\"json\": {\"line\": [\"true\",\"false\"]}}
{\"parquet\": {}}

Il seguente esempio di codice mostra il set completo di variabili di ambiente disponibili per il codice del container (e utilizza il formato dataset_format per endpoint in tempo reale).

"Environment": {
 "dataset_format": "{\"sagemakerCaptureJson\": {\"captureIndexNames\": [\"endpointInput\",\"endpointOutput\"]}}",
 "dataset_source": "/opt/ml/processing/endpointdata",
 "end_time": "2019-12-01T16: 20: 00Z",
 "output_path": "/opt/ml/processing/resultdata",
 "publish_cloudwatch_metrics": "Disabled",
 "sagemaker_endpoint_name": "endpoint-name",
 "sagemaker_monitoring_schedule_name": "schedule-name",
 "start_time": "2019-12-01T15: 20: 00Z"
}

Parameters

Nome parametro Description
dataset_format

Per un processo avviato da un MonitoringSchedule sostenuto da un Endpoint, è sageMakerCaptureJson con gli indici di acquisizione endpointInput oppure endpointOutput, o entrambi. Per un processo di trasformazione di batch, specifica il formato dei dati, che sia CSV, JSON o Parquet.
dataset_source

Se stai utilizzando un endpoint in tempo reale, il percorso locale in cui sono disponibili i dati corrispondenti al periodo di monitoraggio, come specificato da start_time e end_time. In questo percorso, i dati sono disponibili in /{endpoint-name}/{variant-name}/yyyy/mm/dd/hh.

A volte scarichiamo più di quanto specificato dagli orari di inizio e fine. Il codice container ha il compito di analizzare i dati come richiesto.
output_path

Il percorso locale per scrivere report di output e altri file. È necessario specificare questo parametro nella richiesta CreateMonitoringSchedule come MonitoringOutputConfig.MonitoringOutput[0].LocalPath. Viene caricato nel percorso S3Uri specificato in MonitoringOutputConfig.MonitoringOutput[0].S3Uri.
publish_cloudwatch_metrics

Per un processo avviato da CreateMonitoringSchedule, questo parametro è impostato su Enabled. Il contenitore può scegliere di scrivere il file di CloudWatch output di Amazon in[filepath].
sagemaker_endpoint_name

Se si utilizza un endpoint in tempo reale, il nome del Endpoint per cui è stato avviato il processo pianificato.
sagemaker_monitoring_schedule_name

Il nome del MonitoringSchedule che ha avviato questo processo.
*sagemaker_endpoint_datacapture_prefix*

Se si utilizza un endpoint in tempo reale, il prefisso specificato nel parametro DataCaptureConfig del Endpoint. Il contenitore può utilizzarlo se ha bisogno di accedere direttamente a più dati di quelli già scaricati dall' SageMaker IA nel dataset_source percorso.
start_time, end_time

La finestra temporale per l'esecuzione di questa analisi. Ad esempio, per un job programmato per essere eseguito alle 05:00 UTC e un job che viene eseguito il 20/02 /2020,start_time: è 2020-02-19 e: è T06:00:00Z 2020-02-20 end_time T05:00:00Z
baseline_constraints:

Il percorso locale del file di vincolo della linea di base specificato in BaselineConfig.ConstraintResource.S3Uri. Questo parametro è disponibile solo se è stato specificato nella richiesta CreateMonitoringSchedule.
baseline_statistics

Il percorso locale del file di statistiche della linea di base specificato in BaselineConfig.StatisticsResource.S3Uri. Questo parametro è disponibile solo se è stato specificato nella richiesta CreateMonitoringSchedule.