View a markdown version of this page

SageMaker AI ModelTrainer を使用してトレーニングジョブを実行する - Amazon SageMaker AI

翻訳は機械翻訳により提供されています。提供された翻訳内容と英語版の間で齟齬、不一致または矛盾がある場合、英語版が優先します。

SageMaker AI ModelTrainer を使用してトレーニングジョブを実行する

SageMaker Python SDK の ModelTrainer を使用して、SageMaker トレーニングジョブの設定と実行を処理することもできます。 SageMaker 次のコード例は、プライベート Docker レジストリのイメージを使用して ModelTrainer を設定および実行する方法を示しています。

  1. 次のコード例に示すように、必要なライブラリと依存関係をインポートします。

    import boto3
import sagemaker
from sagemaker.train import ModelTrainer
from sagemaker.train.configs import Compute
from sagemaker.core.helper.session_helper import get_execution_role, Session

session = Session()

role = get_execution_role()

  2. 次のコード例に示すように、トレーニングイメージ、セキュリティグループ、トレーニングジョブの VPC 設定用サブネットに Uniform Resource Identifier (URI) を指定します。

    image_uri = "myteam.myorg.com/docker-local/my-training-image:<IMAGE-TAG>"

security_groups = ["sg-0123456789abcdef0"]
subnets = ["subnet-0123456789abcdef0", "subnet-0123456789abcdef0"]

    security_group_ids および の詳細についてはsubnets、SageMaker Python SDK の ModelTrainers セクションにある適切なパラメータの説明を参照してください。

    注記

    SageMaker AI は VPC 内のネットワーク接続を使用して Docker レジストリ内のイメージにアクセスします。Docker レジストリ内のイメージをトレーニングに使用するには、レジストリがアカウントの Amazon VPC からアクセス可能である必要があります。

  3. 必要に応じて、Docker レジストリで認証が必要な場合は、SageMaker AI にアクセス認証情報を提供する AWS Lambda 関数の Amazon リソースネーム (ARN) も指定する必要があります。次のコード例は、ARN を指定する方法を示しています。

    training_repository_credentials_provider_arn = "arn:aws:lambda:us-west-2:1234567890:function:test"

    認証が必要な Docker レジストリでイメージを使用する方法の詳細については、以下の「Use a Docker registry that requires authentication for training」を参照してください。

  4. 次のコード例に示すように、前のステップのコード例を使用して ModelTrainer を設定します。

    # The training repository access mode must be 'Vpc' for private docker registry jobs 
training_repository_access_mode = "Vpc"

# Specify the instance type, instance count you want to use
instance_type="ml.m5.xlarge"
instance_count=1

# Specify the maximum number of seconds that a model training job can run
max_run_time = 1800

# Specify the output path for the model artifacts
output_path = "s3://your-output-bucket/your-output-path"

model_trainer = ModelTrainer(
    training_image=image_uri,
    role=role,
    subnets=subnets,
    security_group_ids=security_groups,
    training_repository_access_mode=training_repository_access_mode,
    training_repository_credentials_provider_arn=training_repository_credentials_provider_arn,  # remove this line if auth is not needed
    compute=Compute(instance_type=instance_type, instance_count=instance_count),
    output_path=output_path,
    max_run=max_run_time
)

  5. 次のコード例に示すように、ジョブ名と入力パスをパラメータとして使用して model_trainer.train を呼び出し、トレーニングジョブを開始します。

    input_path = "s3://your-input-bucket/your-input-path"
job_name = "your-job-name"

model_trainer.train(
    input_data_config=input_path,
    job_name=job_name
)