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 マネージドウォームプールの使用

SageMaker AI マネージドウォームプールは、SageMaker Python SDK、Amazon SageMaker AI コンソール、または低レベル API を通じて使用できます。管理者はオプションで sagemaker:KeepAlivePeriod 条件キーを使用して、特定のユーザーまたはグループの KeepAlivePeriodInSeconds 制限をさらに制限できます。

SageMaker AI Python SDK を使用する

SageMaker Python SDK でウォームプールを作成、更新、または終了します。

ウォームプールを作成する

ウォームプールを作成するには、SageMaker Python SDK を使用して 0 より大きいkeep_alive_period_in_seconds値でトレーニングジョブを作成し、トレーニングを開始します。トレーニングジョブが完了すると、ウォームプールは保持されます。スクリプトでウォームプールが作成されない場合は、「ウォームプールの作成」の考えられる説明を参照してください。

SageMaker Python SDK を使用して、Compute設定で 0 より大きいkeep_alive_period_in_seconds値ModelTrainerを持つ を作成し、 を呼び出しますtrain()。SageMaker Python SDK を使用したトレーニングの詳細については、SageMaker Python SDK を使用したモデルのトレーニング」を参照してください。

from sagemaker.train import ModelTrainer
from sagemaker.train.configs import Compute, SourceCode
from sagemaker.core.helper.session_helper import Session, get_execution_role
from sagemaker.core import image_uris
from sagemaker.train.configs import InputData

# Creates a SageMaker AI session and gets execution role
session = Session()
role = get_execution_role()

# Retrieve the TensorFlow training image
training_image = image_uris.retrieve(
    framework="tensorflow", region=session.boto_region_name,
    version="2.2", py_version="py37",
    instance_type="ml.g4dn.xlarge", image_scope="training"
)

# Creates an example ModelTrainer with warm pool enabled
model_trainer = ModelTrainer(
    training_image=training_image,
    source_code=SourceCode(source_dir='code', entry_script='my-training-script.py'),
    role=role,
    compute=Compute(
        instance_type='ml.g4dn.xlarge',
        instance_count=1,
        volume_size_in_gb=250,
        keep_alive_period_in_seconds=1800,
    ),
    hyperparameters={
        "batch-size": "512",
        "epochs": "1",
        "learning-rate": "1e-3",
        "beta_1": "0.9",
        "beta_2": "0.999",
    },
)

# Starts a SageMaker training job and waits until completion
train_data = InputData(channel_name="training", data_source='s3://my_bucket/my_training_data/')
model_trainer.train(input_data_config=[train_data])

次に、一致する 2 つ目のトレーニングジョブを作成します。この例では、my-training-job-1 と一致する必要な属性がすべて含まれ、実験用に別のハイパーパラメータを持つ my-training-job-2 を作成します。2 つ目のトレーニングジョブはウォームプールを再利用し、1 つ目のトレーニングジョブよりも早く起動します。次のコード例では Tensorflow 推定器を使用しています。ウォームプール機能は、Amazon SageMaker AI で実行されるどのトレーニングアルゴリズムでも使用できます。どの属性が一致する必要があるかについての詳細は、「トレーニングジョブのマッチング」を参照してください。

# Creates a second ModelTrainer that reuses the warm pool
model_trainer_2 = ModelTrainer(
    training_image=training_image,
    source_code=SourceCode(source_dir='code', entry_script='my-training-script.py'),
    role=role,
    compute=Compute(
        instance_type='ml.g4dn.xlarge',
        instance_count=1,
        volume_size_in_gb=250,
        keep_alive_period_in_seconds=1800,
    ),
    hyperparameters={
        "batch-size": "512",
        "epochs": "2",
        "learning-rate": "1e-3",
        "beta_1": "0.9",
        "beta_2": "0.999",
    },
)

# Starts a SageMaker training job and waits until completion
train_data = InputData(channel_name="training", data_source='s3://my_bucket/my_training_data/')
model_trainer_2.train(input_data_config=[train_data])

両方のトレーニングジョブのウォームプールのステータスをチェックして、my-training-job-1 のウォームプールが Reused、my-training-job-2 のウォームプールが InUse になっていることを確認します。

session.describe_training_job('my-training-job-1')
session.describe_training_job('my-training-job-2')

describe_training_job の結果には、特定のトレーニングジョブに関するすべての詳細が表示されます。WarmPoolStatus 属性を検索して、トレーニングジョブのウォームプールに関する情報を確認します。出力は以下の例のようになります。

# Warm pool status for training-job-1
...
'WarmPoolStatus': {'Status': 'Reused', 
  'ResourceRetainedBillableTimeInSeconds': 1000,
  'ReusedByName': my-training-job-2}
...

# Warm pool status for training-job-2
... 
'WarmPoolStatus': {'Status': 'InUse'}
...             

ウォームプールを更新する

トレーニングジョブが完了し、ウォームプールのステータスが Available になったら、KeepAlivePeriodInSeconds 値を更新できます。

session.update_training_job(job_name, resource_config={"KeepAlivePeriodInSeconds":3600})

ウォームプールを終了する

ウォームプールを手動で終了するには、KeepAlivePeriodInSeconds 値を 0 に設定します。

session.update_training_job(job_name, resource_config={"KeepAlivePeriodInSeconds":0})

ウォームプールは、指定された KeepAlivePeriodInSeconds 値を超えたり、クラスターにパッチアップデートが行われたりすると自動的に終了します。

Amazon SageMaker AI コンソールを使用する

コンソールから、ウォームプールを作成したり、ウォームプールをリリースしたり、特定のトレーニングジョブのウォームプールのステータスや課金対象時間を確認したりできます。また、一致するどのトレーニングジョブがウォームプールを再利用したかを確認することもできます。

低レベルの SageMaker API を使用する

SageMaker API または CLI で SageMaker AI AWS マネージドウォームプールを使用します。

SageMaker AI API

以下のコマンドで SageMaker API を使用して SageMaker AI マネージドウォームプールをセットアップします。

AWS CLI

次のコマンドで CLI を使用して SageMaker AI AWS マネージドウォームプールを設定します。

IAM 条件キー

管理者はオプションで sagemaker:KeepAlivePeriod 条件キーを使用して、特定のユーザーまたはグループの KeepAlivePeriodInSeconds 制限をさらに制限できます。SageMaker AI マネージドウォームプールでは、KeepAlivePeriodInSeconds 値は 3600 秒 (60 分) に制限されていますが、管理者は必要に応じてこの制限を下げることができます。

JSON

{
    "Version":"2012-10-17",
    "Statement": [
        {
            "Sid": "EnforceKeepAlivePeriodLimit",
            "Effect": "Allow",
            "Action": [
                "sagemaker:CreateTrainingJob"
            ],
            "Resource": "*",
            "Condition": {
                "NumericLessThanIfExists": {
                    "sagemaker:KeepAlivePeriod": "1800"
                }
            }
        }
    ]
}

詳細については、サービス認可リファレンスの「Condition keys for Amazon SageMaker AI」を参照してください。