Gunakan Algoritma untuk Menjalankan Pekerjaan Pelatihan - Amazon SageMaker AI

View a markdown version of this page

Gunakan Algoritma untuk Menjalankan Pekerjaan Pelatihan - Amazon SageMaker AI
Menggunakan Algoritma untuk Menjalankan Pekerjaan Pelatihan (Konsol)Gunakan Algoritma untuk Menjalankan Pekerjaan Pelatihan (API)Gunakan Algoritma untuk Menjalankan Pekerjaan Pelatihan (SDK Amazon SageMaker Python)

Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

Gunakan Algoritma untuk Menjalankan Pekerjaan Pelatihan

Anda dapat membuat menggunakan sumber daya algoritma untuk membuat pekerjaan pelatihan dengan menggunakan konsol Amazon SageMaker AI, Amazon SageMaker API tingkat rendah, atau Amazon SageMaker Python SDK.

catatan

Peran eksekusi Anda harus memiliki sagemaker:DescribeAlgorithm izin untuk sumber daya algoritma yang Anda tentukan. Untuk informasi selengkapnya tentang izin peran eksekusi, lihatCreateTrainingJob API: Izin Peran Eksekusi.

Menggunakan Algoritma untuk Menjalankan Pekerjaan Pelatihan (Konsol)

Untuk menggunakan algoritma untuk menjalankan tugas pelatihan (konsol)

  1. Buka konsol SageMaker AI di https://console.aws.amazon.com/sagemaker/.

  2. Pilih Algoritma.

  3. Pilih algoritma yang Anda buat dari daftar pada tab Algoritma saya atau pilih algoritma yang Anda berlangganan pada tab AWS Marketplace langganan.

  4. Pilih Buat pekerjaan pelatihan.

    Algoritma yang Anda pilih akan dipilih secara otomatis.

  5. Pada halaman Buat pekerjaan pelatihan, berikan informasi berikut:

    1. Untuk Nama pekerjaan, ketik nama untuk pekerjaan pelatihan.

    2. Untuk peran IAM, pilih peran IAM yang memiliki izin yang diperlukan untuk menjalankan pekerjaan pelatihan di SageMaker AI, atau pilih Buat peran baru untuk mengizinkan SageMaker AI membuat peran yang dilampirkan kebijakan terkel AmazonSageMakerFullAccess ola. Untuk informasi, lihat Cara menggunakan peran eksekusi SageMaker AI.

    3. Untuk konfigurasi sumber daya, berikan informasi berikut:

      1. Untuk Jenis Inst ance, pilih jenis instance yang akan digunakan untuk pelatihan.

      2. Untuk Jumlah Inst ance, ketikkan jumlah instance ML yang akan digunakan untuk pekerjaan pelatihan.

      3. Untuk Volume tambahan per instans (GB), ketik ukuran volume penyimpanan ML yang ingin Anda sediakan. Volume penyimpanan ML menyimpan artefak model dan status inkremental.

      4. Untuk Kunci Enkripsi, jika Anda ingin Amazon SageMaker AI menggunakan AWS kunci Layanan Manajemen Kunci untuk mengenkripsi data dalam volume penyimpanan ML yang dilampirkan ke instance pelatihan, tentukan kunci tersebut.

      5. Untuk Kondisi berhenti, tentukan jumlah waktu maksimum dalam detik, menit, jam, atau hari, yang Anda inginkan untuk menjalankan tugas pelatihan.

    4. Untuk VPC, pilih Amazon VPC yang ingin Anda izinkan untuk mengakses wadah pelatihan Anda. Untuk informasi selengkapnya, lihat Berikan Akses Pekerjaan Pelatihan SageMaker AI ke Sumber Daya di VPC Amazon Anda.

    5. Untuk Hyperparameter, tentukan nilai hyperparameter yang akan digunakan untuk pekerjaan pelatihan.

    6. Untuk Konfigurasi data input, tentukan nilai berikut untuk setiap saluran data input yang akan digunakan untuk pekerjaan pelatihan. Anda dapat melihat saluran algoritma yang Anda gunakan untuk dukungan pelatihan, dan jenis konten, jenis kompresi yang didukung, dan mode input yang didukung untuk setiap saluran, di bawah bagian Spesifikasi saluran pada halaman ringkasan Algoritma untuk algoritma.

      1. Untuk Nama saluran, ketik nama saluran masukan.

      2. Untuk Jenis konten, ketikkan jenis konten data yang diharapkan algoritma untuk saluran.

      3. Untuk tipe kompresi, pilih jenis kompresi data yang akan digunakan, jika ada.

      4. Untuk Record wrapper, pilih RecordIO apakah algoritma mengharapkan data dalam RecordIO format.

      5. Untuk tipe data S3, tipe distribusi data S3, dan lokasi S3, tentukan nilai yang sesuai. Untuk informasi tentang arti nilai-nilai ini, lihat S3DataSource.

      6. Untuk mode Input, pilih File untuk mengunduh data ke volume penyimpanan ML yang disediakan, dan pasang direktori ke volume Docker. Pilih Pi pe Untuk mengalirkan data langsung dari Amazon S3 ke wadah.

      7. Untuk menambahkan saluran input lain, pilih Tambahkan saluran. Jika Anda selesai menambahkan saluran input, pilih Sel esai.

    7. Untuk lokasi Output, tentukan nilai-nilai berikut:

      1. Untuk jalur keluaran S3, pilih lokasi S3 tempat pekerjaan pelatihan menyimpan output, seperti artefak model.

        catatan

        Anda menggunakan artefak model yang disimpan di lokasi ini untuk membuat model atau paket model dari pekerjaan pelatihan ini.

      2. Untuk kunci Enkripsi, jika Anda ingin SageMaker AI menggunakan AWS KMS kunci untuk mengenkripsi data keluaran saat diam di lokasi S3.

    8. Untuk Tag, tentukan satu atau beberapa tag untuk mengelola pekerjaan pelatihan. Setiap tanda terdiri dari kunci dan nilai opsional. Kunci tanda harus unik untuk setiap sumber daya.

    9. Pilih Buat pekerjaan pelatihan untuk menjalankan tugas pelatihan.

Gunakan Algoritma untuk Menjalankan Pekerjaan Pelatihan (API)

Untuk menggunakan algoritma untuk menjalankan tugas pelatihan dengan menggunakan SageMaker API, tentukan nama atau Nama Sumber Daya Amazon (ARN) sebagai AlgorithmName bidang AlgorithmSpecification objek yang Anda teruskan CreateTrainingJob. Untuk informasi tentang model pelatihan di SageMaker AI, lihatLatih Model dengan Amazon SageMaker.

Gunakan Algoritma untuk Menjalankan Pekerjaan Pelatihan (SDK Amazon SageMaker Python)

Gunakan algoritma yang Anda buat atau berlangganan AWS Marketplace untuk membuat pekerjaan pelatihan, buat ModelTrainer objek, dan tentukan Nama Sumber Daya Amazon (ARN) atau nama algoritma sebagai nilai algorithm_arn argumen. Kemudian panggil train metode ModelTrainer. Contoh:

from sagemaker.train import ModelTrainer
from sagemaker.train.configs import Compute

data_path = os.path.join(DATA_DIR, 'marketplace', 'training')

model_trainer = ModelTrainer(
algorithm_name='arn:aws:sagemaker:us-east-2:012345678901:algorithm/my-algorithm',
        role='SageMakerRole',
        compute=Compute(instance_type='ml.c4.xlarge', instance_count=1),
        base_job_name='test-marketplace')

train_input = sagemaker_session.upload_data(
path=data_path, key_prefix='integ-test-data/marketplace/train')

model_trainer.train({'training': train_input})