使用 `modeltransform` 命令進行模型轉換

您可以使用 Neptune ML modeltransform 命令來建立模型轉換工作、檢查其狀態、停止該工作，或列出所有作用中的模型轉換工作。

使用 Neptune ML `modeltransform` 命令建立模型轉換工作

用於建立增量轉換工作而不需模型重新訓練的 Neptune ML modeltransform 命令如下所示：

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"

如需詳細資訊，請參閱《 AWS CLI 命令參考》中的 start-ml-model-transform-job。

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"
      }'

注意

此範例假設您的 AWS 登入資料已在您的環境中設定。將 us-east-1 取代為 Neptune 叢集的區域。

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"
      }'

用於從已完成的 SageMaker AI 訓練任務建立任務的 Neptune ML modeltransform命令如下所示：

用於建立一個工作，使用自訂模型實作的 Neptune ML modeltransform 命令如下所示：

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)"
  }'

如需詳細資訊，請參閱《 AWS CLI 命令參考》中的 start-ml-model-transform-job。

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)"
        }
      }'

注意

此範例假設您的 AWS 登入資料已在您的環境中設定。將 us-east-1 取代為 Neptune 叢集的區域。

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)"
        }
      }'

用於建立 `modeltransform` 工作的參數

id – (選用) 新工作的唯一識別符。

類型：字串 預設值：自動產生的 UUID。
dataProcessingJobId – 已完成資料處理工作的工作 ID。

類型：字串

附註：您必須同時包含 dataProcessingJobId 和 mlModelTrainingJobId 或 trainingJobName。
mlModelTrainingJobId – 已完成模型訓練工作的工作 ID。

類型：字串

附註：您必須同時包含 dataProcessingJobId 和 mlModelTrainingJobId 或 trainingJobName。
trainingJobName – 完成的 SageMaker AI 訓練任務的名稱。

類型：字串

注意：您必須同時包含 dataProcessingJobId 和 mlModelTrainingJobId 參數或包含 trainingJobName 參數。
sagemakerIamRoleArn – (選用) SageMaker AI 執行的 IAM 角色 ARN。

類型：字串注意：這必須列示在您的資料庫叢集參數群組中，否則會發生錯誤。
neptuneIamRoleArn – (選用) IAM 角色的 ARN，提供對 SageMaker AI 和 Amazon S3 資源的 Neptune 存取權。

類型：字串注意：這必須列示在您的資料庫叢集參數群組中，否則會發生錯誤。
customModelTransformParameters – (選用) 使用自訂模型進行模型轉換的組態資訊。customModelTransformParameters 物件包含下列欄位，其具有的值必須與訓練工作中儲存的模型參數相容：
- sourceS3DirectoryPath – (必要) 此路徑通往實作您模型之 Python 模組所在的 Amazon S3 位置。這必須指向有效的現有 Amazon S3 位置，其中至少包含訓練指令碼、轉換指令碼和 model-hpo-configuration.json 檔案。
- transformEntryPointScript – (選用) 指令碼模組中的進入點名稱，該指令碼應在識別了超參數搜尋中的最佳模型之後執行，以計算模型部署所需的模型成品。它應該能夠在沒有命令列參數的情況下執行。
  
  預設︰transform.py。
baseProcessingInstanceType – (選用) 用於準備和管理 ML 模型訓練的 ML 執行個體類型。

類型：字串注意：這是根據記憶體需求選擇的 CPU 執行個體，用於處理轉換資料和模型。請參閱選取執行個體進行模型訓練和模型轉換。
baseProcessingInstanceVolumeSizeInGB – (選用) 訓練執行個體的磁碟區大小。輸入資料和輸出模型都會儲存在磁碟上，因此磁碟區大小必須大到足以保留這兩個資料集。

類型：整數。預設︰0。

備註：如果未指定或指定 0，Neptune ML 會根據資料處理步驟中產生的建議選取磁碟區大小。請參閱選取執行個體進行模型訓練和模型轉換。
subnets – (選用) Neptune VPC 中子網路的 ID。

類型：字串清單。預設值：none。
securityGroupIds – (選用) VPC 安全群組 ID。

類型：字串清單。預設值：none。
volumeEncryptionKMSKey – (選用) SageMaker AI 用來加密連接至執行轉換任務之 ML 運算執行個體之儲存磁碟區上的資料之 AWS Key Management Service (AWS KMS) 金鑰。

類型：字串 預設值：none。
enableInterContainerTrafficEncryption – (選用) 在訓練或超參數調校工作中啟用或停用容器間流量加密。

類型：布林值。預設值：true。

注意
enableInterContainerTrafficEncryption 參數僅適用於引擎版本 1.2.0.2.R3。
s3OutputEncryptionKMSKey – (選用) SageMaker AI 用來加密處理任務輸出的 AWS Key Management Service (AWS KMS) 金鑰。

類型：字串 預設值：none。

使用 Neptune ML `modeltransform` 命令取得模型轉換工作的狀態

工作狀態的範例 Neptune ML modeltransform 命令如下所示：

`modeltransform` 工作狀態的參數

id – (必要) 模型轉換工作的唯一識別符。

類型：字串
neptuneIamRoleArn – (選用) IAM 角色的 ARN，提供對 SageMaker AI 和 Amazon S3 資源的 Neptune 存取權。

類型：字串注意：這必須列示在您的資料庫叢集參數群組中，否則會發生錯誤。

使用 Neptune ML `modeltransform` 命令停止模型轉換工作

用於停止工作的範例 Neptune ML modeltransform 命令如下所示：

`modeltransform` 停止工作的參數

id – (必要) 模型轉換工作的唯一識別符。

類型：字串
neptuneIamRoleArn – (選用) IAM 角色的 ARN，提供對 SageMaker AI 和 Amazon S3 資源的 Neptune 存取權。

類型：字串注意：這必須列示在您的資料庫叢集參數群組中，否則會發生錯誤。
clean – (選用) 此旗標指定在工作停止時應刪除所有 Amazon S3 成品。

類型：布林值。預設︰FALSE。

使用 Neptune ML `modeltransform` 命令列出作用中的模型轉換工作

用於列出作用中工作的範例 Neptune ML modeltransform 命令如下所示：

`modeltransform` 列出工作的參數

maxItems – (選用) 要傳回的項目數上限。

類型：整數。預設︰10。允許的最大值：1024。
neptuneIamRoleArn – (選用) IAM 角色的 ARN，提供對 SageMaker AI 和 Amazon S3 資源的 Neptune 存取權。

類型：字串注意：這必須列示在您的資料庫叢集參數群組中，否則會發生錯誤。

您的瀏覽器已停用或無法使用 Javascript。

您必須啟用 Javascript，才能使用 AWS 文件。請參閱您的瀏覽器說明頁以取得說明。

文件慣用形式

modeltraining 指令

endpoints 命令

使用 modeltransform 命令進行模型轉換

使用 Neptune ML modeltransform 命令建立模型轉換工作

注意

注意

注意

用於建立 modeltransform 工作的參數

注意

使用 Neptune ML modeltransform 命令取得模型轉換工作的狀態

注意

modeltransform 工作狀態的參數

使用 Neptune ML modeltransform 命令停止模型轉換工作

注意

modeltransform 停止工作的參數

使用 Neptune ML modeltransform 命令列出作用中的模型轉換工作

注意

modeltransform 列出工作的參數