View a markdown version of this page

Use uma SageMaker IA ModelTrainer para executar um trabalho de treinamento - SageMaker IA da Amazon

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.

Use uma SageMaker IA ModelTrainer para executar um trabalho de treinamento

Você também pode usar um ModelTrainer do SDK do SageMaker Python para lidar com a configuração e a execução do seu trabalho de SageMaker treinamento. Os exemplos de código a seguir mostram como configurar e executar um ModelTrainer usando imagens de um registro privado do Docker.

  1. Importe as bibliotecas e dependências necessárias, conforme exibido no seguinte exemplo de código.

    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. Forneça um Identificador de recursos uniforme (Uniform Resource Identifier, URI) para a imagem de treinamento, grupos de segurança e sub-redes para a configuração da VPC para o trabalho de treinamento, conforme mostrado no exemplo de código a seguir.

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

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

    Para obter mais informações sobre security_group_ids esubnets, consulte a descrição do parâmetro apropriado na ModelTrainers seção do SDK do SageMaker Python.

    nota

    SageMaker A IA usa uma conexão de rede dentro da sua VPC para acessar imagens no seu registro do Docker. Para usar as imagens no registro do Docker para treinamento, o registro deve estar acessível em uma Amazon VPC na sua conta.

  3. Opcionalmente, se o registro do Docker exigir autenticação, você também deverá especificar o Nome de recurso da Amazon (ARN) de uma AWS Lambda função que fornece credenciais de acesso à IA. SageMaker O exemplo a seguir mostra como especificar o ARN. 

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

    Para obter mais informações sobre o uso de imagens em um registro do Docker que exige autenticação, consulte abaixo Usar um registro do Docker que exija autenticação para treinamento.

  4. Use os exemplos de código das etapas anteriores para configurar um ModelTrainer, conforme mostrado no exemplo de código a seguir.

    # 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. Inicie o trabalho de treinamento chamando model_trainer.train com o nome do trabalho e o caminho de entrada como parâmetros, conforme mostrado no seguinte exemplo de código.

    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
)