As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá. # Transformação de modelos usando o comando `modeltransform` Use o comando `modeltransform` do Neptune ML para criar um trabalho de transformação de modelos, conferir o status, interrompê-lo ou listar todos os trabalhos ativos de transformação de modelos. ## Criar um trabalho de transformação de modelos usando o comando `modeltransform` do Neptune ML Um comando `modeltransform` do Neptune ML para criar um trabalho de transformação incremental, sem novo treinamento de modelos, tem a seguinte aparência: ------ #### [ AWS CLI ] ``` aws neptunedata start-ml-model-transform-job \ --endpoint-url https://{{your-neptune-endpoint}}:{{port}} \ --id "{{(a unique model-transform job ID)}}" \ --data-processing-job-id "{{(the job-id of a completed data-processing job)}}" \ --ml-model-training-job-id "{{(the job-id of a completed model-training job)}}" \ --model-transform-output-s3-location "s3://{{(your S3 bucket)}}/neptune-model-transform" ``` Para obter mais informações, consulte [start-ml-model-transform-job](https://docs.aws.amazon.com/cli/latest/reference/neptunedata/start-ml-model-transform-job.html) na Referência de AWS CLI Comandos. ------ #### [ 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_transform_job( id='{{(a unique model-transform job ID)}}', dataProcessingJobId='{{(the job-id of a completed data-processing job)}}', mlModelTrainingJobId='{{(the job-id of a completed model-training job)}}', modelTransformOutputS3Location='s3://{{(your S3 bucket)}}/neptune-model-transform' ) print(response) ``` ------ #### [ awscurl ] ``` awscurl https://{{your-neptune-endpoint}}:{{port}}/ml/modeltransform \ --region {{us-east-1}} \ --service neptune-db \ -X POST \ -H 'Content-Type: application/json' \ -d '{ "id" : "{{(a unique model-transform job ID)}}", "dataProcessingJobId" : "{{(the job-id of a completed data-processing job)}}", "mlModelTrainingJobId" : "{{(the job-id of a completed model-training job)}}", "modelTransformOutputS3Location" : "s3://{{(your S3 bucket)}}/neptune-model-transform" }' ``` **nota** Este exemplo pressupõe que suas AWS credenciais estejam configuradas em seu ambiente. {{us-east-1}}Substitua pela região do seu cluster Neptune. ------ #### [ curl ] ``` curl \ -X POST https://{{your-neptune-endpoint}}:{{port}}/ml/modeltransform \ -H 'Content-Type: application/json' \ -d '{ "id" : "{{(a unique model-transform job ID)}}", "dataProcessingJobId" : "{{(the job-id of a completed data-processing job)}}", "mlModelTrainingJobId" : "{{(the job-id of a completed model-training job)}}", "modelTransformOutputS3Location" : "s3://{{(your S3 bucket)}}/neptune-model-transform" }' ``` ------ Um comando do Neptune `modeltransform` ML para criar um trabalho a partir de um trabalho de treinamento de IA SageMaker concluído tem a seguinte aparência: ------ #### [ AWS CLI ] ``` aws neptunedata start-ml-model-transform-job \ --endpoint-url https://{{your-neptune-endpoint}}:{{port}} \ --id "{{(a unique model-transform job ID)}}" \ --training-job-name "{{(name of a completed SageMaker training job)}}" \ --model-transform-output-s3-location "s3://{{(your S3 bucket)}}/neptune-model-transform" ``` Para obter mais informações, consulte [start-ml-model-transform-job](https://docs.aws.amazon.com/cli/latest/reference/neptunedata/start-ml-model-transform-job.html) na Referência de AWS CLI Comandos. ------ #### [ 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_transform_job( id='{{(a unique model-transform job ID)}}', trainingJobName='{{(name of a completed SageMaker training job)}}', modelTransformOutputS3Location='s3://{{(your S3 bucket)}}/neptune-model-transform' ) print(response) ``` ------ #### [ awscurl ] ``` awscurl https://{{your-neptune-endpoint}}:{{port}}/ml/modeltransform \ --region {{us-east-1}} \ --service neptune-db \ -X POST \ -H 'Content-Type: application/json' \ -d '{ "id" : "{{(a unique model-transform job ID)}}", "trainingJobName" : "{{(name of a completed SageMaker training job)}}", "modelTransformOutputS3Location" : "s3://{{(your S3 bucket)}}/neptune-model-transform" }' ``` **nota** Este exemplo pressupõe que suas AWS credenciais estejam configuradas em seu ambiente. {{us-east-1}}Substitua pela região do seu cluster Neptune. ------ #### [ curl ] ``` curl \ -X POST https://{{your-neptune-endpoint}}:{{port}}/ml/modeltransform \ -H 'Content-Type: application/json' \ -d '{ "id" : "{{(a unique model-transform job ID)}}", "trainingJobName" : "{{(name of a completed SageMaker training job)}}", "modelTransformOutputS3Location" : "s3://{{(your S3 bucket)}}/neptune-model-transform" }' ``` ------ Um comando `modeltransform` do Neptune ML para criar um trabalho que use uma implementação de modelos personalizados tem a seguinte aparência: ------ #### [ AWS CLI ] ``` aws neptunedata start-ml-model-transform-job \ --endpoint-url https://{{your-neptune-endpoint}}:{{port}} \ --id "{{(a unique model-transform job ID)}}" \ --training-job-name "{{(name of a completed SageMaker training job)}}" \ --model-transform-output-s3-location "s3://{{(your Amazon S3 bucket)}}/neptune-model-transform/" \ --custom-model-transform-parameters '{ "sourceS3DirectoryPath": "s3://{{(your Amazon S3 bucket)}}/{{(path to your Python module)}}", "transformEntryPointScript": "{{(your transform script entry-point name in the Python module)}}" }' ``` Para obter mais informações, consulte [start-ml-model-transform-job](https://docs.aws.amazon.com/cli/latest/reference/neptunedata/start-ml-model-transform-job.html) na Referência de AWS CLI Comandos. ------ #### [ 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_transform_job( id='{{(a unique model-transform job ID)}}', trainingJobName='{{(name of a completed SageMaker training job)}}', modelTransformOutputS3Location='s3://{{(your Amazon S3 bucket)}}/neptune-model-transform/', customModelTransformParameters={ 'sourceS3DirectoryPath': 's3://{{(your Amazon S3 bucket)}}/{{(path to your Python module)}}', 'transformEntryPointScript': '{{(your transform script entry-point name in the Python module)}}' } ) print(response) ``` ------ #### [ awscurl ] ``` awscurl https://{{your-neptune-endpoint}}:{{port}}/ml/modeltransform \ --region {{us-east-1}} \ --service neptune-db \ -X POST \ -H 'Content-Type: application/json' \ -d '{ "id" : "{{(a unique model-transform job ID)}}", "trainingJobName" : "{{(name of a completed SageMaker training job)}}", "modelTransformOutputS3Location" : "s3://{{(your Amazon S3 bucket)}}/neptune-model-transform/", "customModelTransformParameters" : { "sourceS3DirectoryPath": "s3://{{(your Amazon S3 bucket)}}/{{(path to your Python module)}}", "transformEntryPointScript": "{{(your transform script entry-point name in the Python module)}}" } }' ``` **nota** Este exemplo pressupõe que suas AWS credenciais estejam configuradas em seu ambiente. {{us-east-1}}Substitua pela região do seu cluster Neptune. ------ #### [ curl ] ``` curl \ -X POST https://{{your-neptune-endpoint}}:{{port}}/ml/modeltransform \ -H 'Content-Type: application/json' \ -d '{ "id" : "{{(a unique model-transform job ID)}}", "trainingJobName" : "{{(name of a completed SageMaker training job)}}", "modelTransformOutputS3Location" : "s3://{{(your Amazon S3 bucket)}}/neptune-model-transform/", "customModelTransformParameters" : { "sourceS3DirectoryPath": "s3://{{(your Amazon S3 bucket)}}/{{(path to your Python module)}}", "transformEntryPointScript": "{{(your transform script entry-point name in the Python module)}}" } }' ``` ------ **Parâmetros para criação de trabalhos `modeltransform`** + **`id`**: (*opcional*) um identificador exclusivo do novo trabalho. *Tipo*: string. *Padrão*: um UUID gerado automaticamente. + **`dataProcessingJobId`**: o ID de um trabalho de processamento de dados concluído. *Tipo*: string. *Observação*: você deve incluir `dataProcessingJobId`, `mlModelTrainingJobId`, ou `trainingJobName`. + **`mlModelTrainingJobId`**: o ID de um trabalho de treinamento de modelos concluído. *Tipo*: string. *Observação*: você deve incluir `dataProcessingJobId`, `mlModelTrainingJobId` ou `trainingJobName`. + **`trainingJobName`**— O nome de um trabalho de treinamento de SageMaker IA concluído. *Tipo*: string. *Observação*: você deve incluir os parâmetros `dataProcessingJobId` e `mlModelTrainingJobId` ou `trainingJobName`. + **`sagemakerIamRoleArn`**— (*Opcional*) O ARN de uma função do IAM para execução de SageMaker IA. *Tipo*: string. *Observação*: deve estar listado no grupo de parâmetros do cluster de banco de dados ou ocorrerá um erro. + **`neptuneIamRoleArn`**— (*Opcional*) O ARN de uma função do IAM que fornece ao Neptune acesso aos recursos de IA e SageMaker Amazon S3. *Tipo*: string. *Observação*: deve estar listado no grupo de parâmetros do cluster de banco de dados ou ocorrerá um erro. + **`customModelTransformParameters `**: (*opcional*) informações de configuração para uma transformação de modelos usando um modelo personalizado. O objeto `customModelTransformParameters` contém os seguintes campos, que devem ter valores compatíveis com os parâmetros do modelo salvos do trabalho de treinamento: + **`sourceS3DirectoryPath`**: (*obrigatório*) o caminho para o local do Amazon S3 onde o módulo Python que implementa seu modelo está localizado. Isso deve apontar para uma localização válida existente do Amazon S3 que contenha, no mínimo, um script de treinamento, um script de transformação e um arquivo `model-hpo-configuration.json`. + **`transformEntryPointScript`**: (*opcional*) o nome do ponto de entrada no módulo de um script que deve ser executado após a identificação do melhor modelo da pesquisa de hiperparâmetros, para calcular os artefatos do modelo necessários para a implantação do modelo. Ele deve ser capaz de ser executado sem argumentos de linha de comando. *Padrão*: `transform.py`. + **`baseProcessingInstanceType`**: (*opcional*) o tipo de instância de ML usada na preparação e gerenciamento do treinamento de modelos de ML. *Tipo*: string. *Observação*: é uma instância de CPU escolhida com base nos requisitos de memória para processar os dados e o modelo de transformação. Consulte [Selecionar uma instância para treinamento e transformação de modelos](machine-learning-on-graphs-instance-selection.md#machine-learning-on-graphs-training-transform-instance-size). + **`baseProcessingInstanceVolumeSizeInGB`**: (*opcional*) o tamanho do volume do disco da instância de treinamento. Tanto os dados de entrada quanto o modelo de saída são armazenados em disco, portanto, o tamanho do volume deve ser grande o suficiente para conter os dois conjuntos de dados. *Tipo*: número inteiro. *Padrão*: `0`. *Observação*: se não for especificado ou for 0, o Neptune ML selecionará um tamanho de volume de disco com base na recomendação gerada na etapa de processamento de dados. Consulte [Selecionar uma instância para treinamento e transformação de modelos](machine-learning-on-graphs-instance-selection.md#machine-learning-on-graphs-training-transform-instance-size). + **`subnets`**— (*Opcional*) A IDs das sub-redes na VPC Neptune. *Tipo*: lista de strings. *Padrão*: *nenhum*. + **`securityGroupIds`**— (*Opcional*) O grupo de segurança da VPC. IDs *Tipo*: lista de strings. *Padrão*: *nenhum*. + **`volumeEncryptionKMSKey`**— (*Opcional*) A chave AWS Key Management Service (AWS KMS) que a SageMaker IA usa para criptografar dados no volume de armazenamento anexado às instâncias de computação de ML que executam a tarefa de transformação. *Tipo*: string *Padrão*: *nenhum*. + **`enableInterContainerTrafficEncryption`**: (*opcional*) habilite ou desabilite a criptografia de tráfego entre contêineres em trabalhos de treinamento ou ajuste de hiperparâmetros. *Tipo*: booliano. *Padrão*: *verdadeiro*. **nota** O parâmetro `enableInterContainerTrafficEncryption` só está disponível na [versão 1.2.0.2.R3 do mecanismo](engine-releases-1.2.0.2.R3.md). + **`s3OutputEncryptionKMSKey`**— (*Opcional*) A chave AWS Key Management Service (AWS KMS) que a SageMaker IA usa para criptografar a saída da tarefa de processamento. *Tipo*: string *Padrão*: *nenhum*. ## Obter o status de um trabalho de transformação de modelos usando o comando `modeltransform` do Neptune ML Um exemplo de comando `modeltransform` do Neptune ML para o status de um trabalho tem a seguinte aparência: ------ #### [ AWS CLI ] ``` aws neptunedata get-ml-model-transform-job \ --endpoint-url https://{{your-neptune-endpoint}}:{{port}} \ --id "{{(the job ID)}}" ``` Para obter mais informações, consulte [get-ml-model-transform-job](https://docs.aws.amazon.com/cli/latest/reference/neptunedata/get-ml-model-transform-job.html) na Referência de AWS CLI Comandos. ------ #### [ 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.get_ml_model_transform_job( id='{{(the job ID)}}' ) print(response) ``` ------ #### [ awscurl ] ``` awscurl https://{{your-neptune-endpoint}}:{{port}}/ml/modeltransform/{{(the job ID)}} \ --region {{us-east-1}} \ --service neptune-db \ -X GET ``` **nota** Este exemplo pressupõe que suas AWS credenciais estejam configuradas em seu ambiente. {{us-east-1}}Substitua pela região do seu cluster Neptune. ------ #### [ curl ] ``` curl -s \ "https://{{your-neptune-endpoint}}:{{port}}/ml/modeltransform/{{(the job ID)}}" \ | python -m json.tool ``` ------ **Parâmetros para o status do trabalho `modeltransform`** + **`id`**: (*obrigatório*) o identificador exclusivo do trabalho de transformação de modelos. *Tipo*: string. + **`neptuneIamRoleArn`**— (*Opcional*) O ARN de uma função do IAM que fornece ao Neptune acesso aos recursos de IA e SageMaker Amazon S3. *Tipo*: string. *Observação*: deve estar listado no grupo de parâmetros do cluster de banco de dados ou ocorrerá um erro. ## Interromper um trabalho de transformação de modelos usando o comando `modeltransform` do Neptune ML Um exemplo de comando `modeltransform` do Neptune ML para interromper um trabalho tem a seguinte aparência: ------ #### [ AWS CLI ] ``` aws neptunedata cancel-ml-model-transform-job \ --endpoint-url https://{{your-neptune-endpoint}}:{{port}} \ --id "{{(the job ID)}}" ``` Para também limpar artefatos do Amazon S3: ``` aws neptunedata cancel-ml-model-transform-job \ --endpoint-url https://{{your-neptune-endpoint}}:{{port}} \ --id "{{(the job ID)}}" \ --clean ``` Para obter mais informações, consulte [cancel-ml-model-transform-job](https://docs.aws.amazon.com/cli/latest/reference/neptunedata/cancel-ml-model-transform-job.html) na Referência de AWS CLI Comandos. ------ #### [ 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.cancel_ml_model_transform_job( id='{{(the job ID)}}', clean=True ) print(response) ``` ------ #### [ awscurl ] ``` awscurl https://{{your-neptune-endpoint}}:{{port}}/ml/modeltransform/{{(the job ID)}} \ --region {{us-east-1}} \ --service neptune-db \ -X DELETE ``` Para também limpar artefatos do Amazon S3: ``` awscurl "https://{{your-neptune-endpoint}}:{{port}}/ml/modeltransform/{{(the job ID)}}?clean=true" \ --region {{us-east-1}} \ --service neptune-db \ -X DELETE ``` **nota** Este exemplo pressupõe que suas AWS credenciais estejam configuradas em seu ambiente. {{us-east-1}}Substitua pela região do seu cluster Neptune. ------ #### [ curl ] ``` curl -s \ -X DELETE "https://{{your-neptune-endpoint}}:{{port}}/ml/modeltransform/{{(the job ID)}}" ``` Ou esta: ``` curl -s \ -X DELETE "https://{{your-neptune-endpoint}}:{{port}}/ml/modeltransform/{{(the job ID)}}?clean=true" ``` ------ **Parâmetros para um trabalho de interrupção `modeltransform`** + **`id`**: (*obrigatório*) o identificador exclusivo do trabalho de transformação de modelos. *Tipo*: string. + **`neptuneIamRoleArn`**— (*Opcional*) O ARN de uma função do IAM que fornece ao Neptune acesso aos recursos de IA e SageMaker Amazon S3. *Tipo*: string. *Observação*: deve estar listado no grupo de parâmetros do cluster de banco de dados ou ocorrerá um erro. + **`clean`**: (*opcional*) esse sinalizador especifica que todos os artefatos do Amazon S3 devem ser excluídos quando o trabalho é interrompido. *Tipo*: booliano. *Padrão*: `FALSE`. ## Listar trabalhos ativos de transformação de modelos usando o comando `modeltransform` do Neptune ML Um exemplo de comando `modeltransform` do Neptune ML para listar trabalhos ativos tem a seguinte aparência: ------ #### [ AWS CLI ] ``` aws neptunedata list-ml-model-transform-jobs \ --endpoint-url https://{{your-neptune-endpoint}}:{{port}} ``` Para limitar o número de resultados: ``` aws neptunedata list-ml-model-transform-jobs \ --endpoint-url https://{{your-neptune-endpoint}}:{{port}} \ --max-items 3 ``` Para obter mais informações, consulte [list-ml-model-transform-jobs](https://docs.aws.amazon.com/cli/latest/reference/neptunedata/list-ml-model-transform-jobs.html) na Referência de AWS CLI Comandos. ------ #### [ 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.list_ml_model_transform_jobs( maxItems=3 ) print(response) ``` ------ #### [ awscurl ] ``` awscurl https://{{your-neptune-endpoint}}:{{port}}/ml/modeltransform \ --region {{us-east-1}} \ --service neptune-db \ -X GET ``` Para limitar o número de resultados: ``` awscurl "https://{{your-neptune-endpoint}}:{{port}}/ml/modeltransform?maxItems=3" \ --region {{us-east-1}} \ --service neptune-db \ -X GET ``` **nota** Este exemplo pressupõe que suas AWS credenciais estejam configuradas em seu ambiente. {{us-east-1}}Substitua pela região do seu cluster Neptune. ------ #### [ curl ] ``` curl -s "https://{{your-neptune-endpoint}}:{{port}}/ml/modeltransform" | python -m json.tool ``` Ou esta: ``` curl -s "https://{{your-neptune-endpoint}}:{{port}}/ml/modeltransform?maxItems=3" | python -m json.tool ``` ------ **Parâmetros para trabalhos de lista `modeltransform`** + **`maxItems`**: (*opcional*) o número máximo de itens a serem gerados. *Tipo*: número inteiro. *Padrão*: `10`. *Valor máximo permitido*: `1024`. + **`neptuneIamRoleArn`**— (*Opcional*) O ARN de uma função do IAM que fornece ao Neptune acesso aos recursos de IA e SageMaker Amazon S3. *Tipo*: string. *Observação*: deve estar listado no grupo de parâmetros do cluster de banco de dados ou ocorrerá um erro.