本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。 # 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](https://docs.aws.amazon.com/cli/latest/reference/neptunedata/start-ml-model-transform-job.html)。 ------ #### [ 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： ------ #### [ 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" ``` 如需詳細資訊，請參閱《 AWS CLI 命令參考》中的 [start-ml-model-transform-job](https://docs.aws.amazon.com/cli/latest/reference/neptunedata/start-ml-model-transform-job.html)。 ------ #### [ 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" }' ``` **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 S3 bucket)}}/neptune-model-transform" }' ``` ------ 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](https://docs.aws.amazon.com/cli/latest/reference/neptunedata/start-ml-model-transform-job.html)。 ------ #### [ 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](machine-learning-on-graphs-instance-selection.md#machine-learning-on-graphs-training-transform-instance-size)。 + **`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](machine-learning-on-graphs-instance-selection.md#machine-learning-on-graphs-training-transform-instance-size)。 + **`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](engine-releases-1.2.0.2.R3.md)。 + **`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： ------ #### [ AWS CLI ] ``` aws neptunedata get-ml-model-transform-job \ --endpoint-url https://{{your-neptune-endpoint}}:{{port}} \ --id "{{(the job ID)}}" ``` 如需詳細資訊，請參閱《 AWS CLI 命令參考》中的 [get-ml-model-transform-job](https://docs.aws.amazon.com/cli/latest/reference/neptunedata/get-ml-model-transform-job.html)。 ------ #### [ 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 ``` **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 -s \ "https://{{your-neptune-endpoint}}:{{port}}/ml/modeltransform/{{(the job ID)}}" \ | python -m json.tool ``` ------ **`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： ------ #### [ AWS CLI ] ``` aws neptunedata cancel-ml-model-transform-job \ --endpoint-url https://{{your-neptune-endpoint}}:{{port}} \ --id "{{(the job ID)}}" ``` 若要同時清除 Amazon S3 成品： ``` aws neptunedata cancel-ml-model-transform-job \ --endpoint-url https://{{your-neptune-endpoint}}:{{port}} \ --id "{{(the job ID)}}" \ --clean ``` 如需詳細資訊，請參閱《 AWS CLI 命令參考》中的 [cancel-ml-model-transform-job](https://docs.aws.amazon.com/cli/latest/reference/neptunedata/cancel-ml-model-transform-job.html)。 ------ #### [ 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 ``` 若要同時清除 Amazon S3 成品： ``` awscurl "https://{{your-neptune-endpoint}}:{{port}}/ml/modeltransform/{{(the job ID)}}?clean=true" \ --region {{us-east-1}} \ --service neptune-db \ -X DELETE ``` **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 -s \ -X DELETE "https://{{your-neptune-endpoint}}:{{port}}/ml/modeltransform/{{(the job ID)}}" ``` 或如下所示： ``` curl -s \ -X DELETE "https://{{your-neptune-endpoint}}:{{port}}/ml/modeltransform/{{(the job ID)}}?clean=true" ``` ------ **`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： ------ #### [ AWS CLI ] ``` aws neptunedata list-ml-model-transform-jobs \ --endpoint-url https://{{your-neptune-endpoint}}:{{port}} ``` 若要限制結果數量： ``` aws neptunedata list-ml-model-transform-jobs \ --endpoint-url https://{{your-neptune-endpoint}}:{{port}} \ --max-items 3 ``` 如需詳細資訊，請參閱《 AWS CLI 命令參考》中的 [list-ml-model-transform-jobs](https://docs.aws.amazon.com/cli/latest/reference/neptunedata/list-ml-model-transform-jobs.html)。 ------ #### [ 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 ``` 若要限制結果數量： ``` awscurl "https://{{your-neptune-endpoint}}:{{port}}/ml/modeltransform?maxItems=3" \ --region {{us-east-1}} \ --service neptune-db \ -X GET ``` **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 -s "https://{{your-neptune-endpoint}}:{{port}}/ml/modeltransform" | python -m json.tool ``` 或如下所示： ``` curl -s "https://{{your-neptune-endpoint}}:{{port}}/ml/modeltransform?maxItems=3" | python -m json.tool ``` ------ **`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。