기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다. # Neptune ML을 사용한 모델 훈련 모델 훈련을 위해 Neptune에서 내보낸 데이터를 처리한 후 다음과 같은 명령을 사용하여 모델 훈련 작업을 시작할 수 있습니다. ------ #### [ AWS CLI ] ``` aws neptunedata start-ml-model-training-job \ --endpoint-url https://{{your-neptune-endpoint}}:{{port}} \ --id "{{(a unique model-training job ID)}}" \ --data-processing-job-id "{{(the data-processing job-id of a completed job)}}" \ --train-model-s3-location "s3://{{(your S3 bucket)}}/neptune-model-graph-autotrainer" ``` 자세한 내용은 AWS CLI 명령 참조의 [start-ml-model-training-job](https://docs.aws.amazon.com/cli/latest/reference/neptunedata/start-ml-model-training-job.html)을 참조하세요. ------ #### [ SDK ] ``` import boto3 from botocore.config import Config client = boto3.client( 'neptunedata', endpoint_url='https://{{your-neptune-endpoint}}:{{port}}', config=Config(read_timeout=None, retries={'total_max_attempts': 1}) ) response = client.start_ml_model_training_job( id='{{(a unique model-training job ID)}}', dataProcessingJobId='{{(the data-processing job-id of a completed job)}}', trainModelS3Location='s3://{{(your S3 bucket)}}/neptune-model-graph-autotrainer' ) print(response) ``` ------ #### [ awscurl ] ``` awscurl https://{{your-neptune-endpoint}}:{{port}}/ml/modeltraining \ --region {{us-east-1}} \ --service neptune-db \ -X POST \ -H 'Content-Type: application/json' \ -d '{ "id" : "{{(a unique model-training job ID)}}", "dataProcessingJobId" : "{{(the data-processing job-id of a completed job)}}", "trainModelS3Location" : "s3://{{(your S3 bucket)}}/neptune-model-graph-autotrainer" }' ``` **참고** 이 예제에서는 자격 AWS 증명이 환경에 구성되어 있다고 가정합니다. {{us-east-1}}을 Neptune 클러스터의 리전으로 바꿉니다. ------ #### [ curl ] ``` curl \ -X POST https://{{your-neptune-endpoint}}:{{port}}/ml/modeltraining \ -H 'Content-Type: application/json' \ -d '{ "id" : "{{(a unique model-training job ID)}}", "dataProcessingJobId" : "{{(the data-processing job-id of a completed job)}}", "trainModelS3Location" : "s3://{{(your S3 bucket)}}/neptune-model-graph-autotrainer" }' ``` ------ 이 명령을 사용하는 방법에 대한 자세한 내용은 실행 중인 작업의 상태를 가져오는 방법, 실행 중인 작업을 중지하는 방법, 실행 중인 모든 작업을 나열하는 방법과 함께 [modeltraining 명령](machine-learning-api-modeltraining.md)에 설명되어 있습니다. 또한 `previousModelTrainingJobId` 제공을 통해 완료된 Neptune ML 모델 훈련 작업의 정보를 사용하여 새 훈련 작업에서 하이퍼파라미터 검색을 가속화할 수 있습니다. 이는 [새 그래프 데이터에 대한 모델 재훈련](machine-learning-overview-evolving-data-incremental.md#machine-learning-overview-model-retraining)뿐만 아니라 [동일한 그래프 데이터에 대한 증분 훈련](machine-learning-overview-evolving-data-incremental.md#machine-learning-overview-incremental)에도 유용합니다. 다음과 같은 명령을 사용하세요. ------ #### [ AWS CLI ] ``` aws neptunedata start-ml-model-training-job \ --endpoint-url https://{{your-neptune-endpoint}}:{{port}} \ --id "{{(a unique model-training job ID)}}" \ --data-processing-job-id "{{(the data-processing job-id of a completed job)}}" \ --train-model-s3-location "s3://{{(your S3 bucket)}}/neptune-model-graph-autotrainer" \ --previous-model-training-job-id "{{(the model-training job-id of a completed job)}}" ``` 자세한 내용은 AWS CLI 명령 참조의 [start-ml-model-training-job](https://docs.aws.amazon.com/cli/latest/reference/neptunedata/start-ml-model-training-job.html)을 참조하세요. ------ #### [ SDK ] ``` import boto3 from botocore.config import Config client = boto3.client( 'neptunedata', endpoint_url='https://{{your-neptune-endpoint}}:{{port}}', config=Config(read_timeout=None, retries={'total_max_attempts': 1}) ) response = client.start_ml_model_training_job( id='{{(a unique model-training job ID)}}', dataProcessingJobId='{{(the data-processing job-id of a completed job)}}', trainModelS3Location='s3://{{(your S3 bucket)}}/neptune-model-graph-autotrainer', previousModelTrainingJobId='{{(the model-training job-id of a completed job)}}' ) print(response) ``` ------ #### [ awscurl ] ``` awscurl https://{{your-neptune-endpoint}}:{{port}}/ml/modeltraining \ --region {{us-east-1}} \ --service neptune-db \ -X POST \ -H 'Content-Type: application/json' \ -d '{ "id" : "{{(a unique model-training job ID)}}", "dataProcessingJobId" : "{{(the data-processing job-id of a completed job)}}", "trainModelS3Location" : "s3://{{(your S3 bucket)}}/neptune-model-graph-autotrainer", "previousModelTrainingJobId" : "{{(the model-training job-id of a completed job)}}" }' ``` **참고** 이 예제에서는 자격 AWS 증명이 환경에 구성되어 있다고 가정합니다. {{us-east-1}}을 Neptune 클러스터의 리전으로 바꿉니다. ------ #### [ curl ] ``` curl \ -X POST https://{{your-neptune-endpoint}}:{{port}}/ml/modeltraining \ -H 'Content-Type: application/json' \ -d '{ "id" : "{{(a unique model-training job ID)}}", "dataProcessingJobId" : "{{(the data-processing job-id of a completed job)}}", "trainModelS3Location" : "s3://{{(your S3 bucket)}}/neptune-model-graph-autotrainer", "previousModelTrainingJobId" : "{{(the model-training job-id of a completed job)}}" }' ``` ------ 다음과 같이 `customModelTrainingParameters` 객체를 제공하여 Neptune ML 훈련 인프라에서 자체 모델 구현을 훈련시킬 수 있습니다. ------ #### [ AWS CLI ] ``` aws neptunedata start-ml-model-training-job \ --endpoint-url https://{{your-neptune-endpoint}}:{{port}} \ --id "{{(a unique model-training job ID)}}" \ --data-processing-job-id "{{(the data-processing job-id of a completed job)}}" \ --train-model-s3-location "s3://{{(your Amazon S3 bucket)}}/neptune-model-graph-autotrainer" \ --model-name "custom" \ --custom-model-training-parameters '{ "sourceS3DirectoryPath": "s3://{{(your Amazon S3 bucket)}}/{{(path to your Python module)}}", "trainingEntryPointScript": "{{(your training script entry-point name in the Python module)}}", "transformEntryPointScript": "{{(your transform script entry-point name in the Python module)}}" }' ``` 자세한 내용은 AWS CLI 명령 참조의 [start-ml-model-training-job](https://docs.aws.amazon.com/cli/latest/reference/neptunedata/start-ml-model-training-job.html)을 참조하세요. ------ #### [ SDK ] ``` import boto3 from botocore.config import Config client = boto3.client( 'neptunedata', endpoint_url='https://{{your-neptune-endpoint}}:{{port}}', config=Config(read_timeout=None, retries={'total_max_attempts': 1}) ) response = client.start_ml_model_training_job( id='{{(a unique model-training job ID)}}', dataProcessingJobId='{{(the data-processing job-id of a completed job)}}', trainModelS3Location='s3://{{(your Amazon S3 bucket)}}/neptune-model-graph-autotrainer', modelName='custom', customModelTrainingParameters={ 'sourceS3DirectoryPath': 's3://{{(your Amazon S3 bucket)}}/{{(path to your Python module)}}', 'trainingEntryPointScript': '{{(your training script entry-point name in the Python module)}}', 'transformEntryPointScript': '{{(your transform script entry-point name in the Python module)}}' } ) print(response) ``` ------ #### [ awscurl ] ``` awscurl https://{{your-neptune-endpoint}}:{{port}}/ml/modeltraining \ --region {{us-east-1}} \ --service neptune-db \ -X POST \ -H 'Content-Type: application/json' \ -d '{ "id" : "{{(a unique model-training job ID)}}", "dataProcessingJobId" : "{{(the data-processing job-id of a completed job)}}", "trainModelS3Location" : "s3://{{(your Amazon S3 bucket)}}/neptune-model-graph-autotrainer", "modelName": "custom", "customModelTrainingParameters" : { "sourceS3DirectoryPath": "s3://{{(your Amazon S3 bucket)}}/{{(path to your Python module)}}", "trainingEntryPointScript": "{{(your training script entry-point name in the Python module)}}", "transformEntryPointScript": "{{(your transform script entry-point name in the Python module)}}" } }' ``` **참고** 이 예제에서는 자격 AWS 증명이 환경에 구성되어 있다고 가정합니다. {{us-east-1}}을 Neptune 클러스터의 리전으로 바꿉니다. ------ #### [ curl ] ``` curl \ -X POST https://{{your-neptune-endpoint}}:{{port}}/ml/modeltraining \ -H 'Content-Type: application/json' \ -d '{ "id" : "{{(a unique model-training job ID)}}", "dataProcessingJobId" : "{{(the data-processing job-id of a completed job)}}", "trainModelS3Location" : "s3://{{(your Amazon S3 bucket)}}/neptune-model-graph-autotrainer", "modelName": "custom", "customModelTrainingParameters" : { "sourceS3DirectoryPath": "s3://{{(your Amazon S3 bucket)}}/{{(path to your Python module)}}", "trainingEntryPointScript": "{{(your training script entry-point name in the Python module)}}", "transformEntryPointScript": "{{(your transform script entry-point name in the Python module)}}" } }' ``` ------ 실행 중인 작업의 상태를 가져오는 방법, 실행 중인 작업을 중지하는 방법, 실행 중인 모든 작업을 나열하는 방법 등과 같은 자세한 내용은 [modeltraining 명령](machine-learning-api-modeltraining.md)을 참조하세요. 사용자 지정 모델을 구현하고 사용하는 방법에 대한 자세한 내용은 [Neptune ML의 사용자 지정 모델](machine-learning-custom-models.md)을 참조하세요. **Topics** + [Amazon Neptune ML에서의 모델 및 모델 훈련](machine-learning-models-and-training.md) + [Neptune ML의 모델 하이퍼파라미터 구성 사용자 지정](machine-learning-customizing-hyperparams.md) + [모델 훈련 모범 사례](machine-learning-improve-model-performance.md)