SageMaker Emplois de formation en IA - Amazon SageMaker AI

View a markdown version of this page

SageMaker Emplois de formation en IA - Amazon SageMaker AI
Présentation dePrise en main

Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.

SageMaker Emplois de formation en IA

Amazon SageMaker AI Training Jobs est un service entièrement géré que vous pouvez utiliser pour entraîner efficacement AI/ML des modèles à grande échelle. Avec SageMaker AI Training Jobs, vous pouvez sélectionner et gérer des instances de calcul pour personnaliser le modèle. Vous avez un contrôle total sur le type et la configuration de l'instance. Les emplois sont éphémères : les instances sont provisionnées pendant la durée de la formation et libérées une fois la formation terminée. Pour plus d'informations sur les jobs de formation en SageMaker IA, consultez Entraîner un modèle avec Amazon SageMaker AI.

Pour une expérience entièrement gérée sans sélection d'instance, consultezPersonnalisation des modèles sans serveur.

Présentation de

Disponibilité par région

SageMaker AI Training Jobs est disponible dans toutes les régions d' SageMaker IA.

Interfaces

Recettes

Exécutez des recettes d'entraînement préconfigurées à l'aide de SageMaker AI Recipes. Les recettes fonctionnent à la fois avec SageMaker AI Training Jobs et HyperPod automatisent le chargement des ensembles de données, la formation distribuée et la gestion des points de contrôle.

PythonSDK V3 () ModelTrainer

Utilisez la ModelTrainer classe du Python SDK SageMaker AI pour soumettre des tâches de formation par programmation avec un contrôle total sur la sélection et la configuration des instances.

from sagemaker.modules.train import ModelTrainer
from sagemaker.modules.configs import Compute, InputData

trainer = ModelTrainer(
    training_image="my-training-image",
    role="arn:aws:iam::123456789012:role/SageMakerRole",
    compute=Compute(instance_type="ml.p4d.24xlarge", instance_count=2)
)

trainer.train(input_data_config=[
    InputData(channel_name="training", data_source="s3://my-bucket/train")
])
Studio (anciens modèles)

Pour les anciens modèles, utilisez la fiche détaillée du modèle → bouton Train dans Studio. Ce flux permet de sélectionner des instances et de configurer des hyperparamètres.

Techniques prises en charge

  • SFT, DPO, RLVR, RLAIF (via Recipes)

  • PPO (modèles Amazon Nova uniquement)

  • CPT (suite Pre-Training)

Types de formation pris en charge

  • LoRA

  • FFT (complet Fine-Tuning)

Prise en main

Pour commencer à utiliser SageMaker AI Training Jobs à l'aide de recettes :

  1. Clonez le référentiel de recettes : 

    git clone --recursive https://github.com/aws/sagemaker-hyperpod-recipes.git
cd sagemaker-hyperpod-recipes
pip3 install -r requirements.txt

  2. Choisissez une recette en fonction recipes_collection/recipes/fine-tuning/ de votre modèle et de votre technique.

  3. Configurez votre chemin de données d'entraînement et vos hyperparamètres dans le fichier YAML de recettes.

  4. Lancez la tâche de formation à l'aide du script de lancement.

Pour des didacticiels détaillés, consultez la documentation HyperPod des recettes SageMaker AI.