Gemeinsam genutzte Modelle und Notebooks

Wichtig

Ab dem 30. November 2023 heißt die vorherige Amazon SageMaker Studio-Erfahrung jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich speziell auf die Verwendung der Studio Classic-Anwendung. Informationen zur Verwendung der aktualisierten Studio-Umgebung finden Sie unter Amazon SageMaker Studio.

Teilen Sie Ihre Modelle und Notebooks, um Modellartefakte zu zentralisieren, die Auffindbarkeit zu erleichtern und die Wiederverwendung von Modellen in Ihrem Unternehmen zu erhöhen. Wenn Sie Ihre Modelle teilen, können Sie Informationen zur Trainings- und Inferenzumgebung bereitstellen und es Auftragnehmern ermöglichen, diese Umgebungen für ihre eigenen Trainings- und Inferenzaufgaben zu verwenden.

Alle Modelle, die Sie teilen, und Modelle, die für Sie freigegeben sind, können an einem zentralen Ort direkt in Amazon SageMaker Studio Classic durchsucht werden. Informationen zu den Onboarding-Schritten für die Anmeldung bei Amazon SageMaker Studio Classic finden Sie unter Onboarding bei Amazon SageMaker Domain .

Greifen Sie auf gemeinsam genutzte Modelle und Notebooks zu

Um auf Ihre freigegebenen Inhalte zuzugreifen, wählen Sie im linken Navigationsbereich der Amazon SageMaker Studio Classic-Benutzeroberfläche die Option Gemeinsam genutzte Modelle aus.

Fügen Sie geteilte Inhalte hinzu

Sie können Modelle oder Notebooks über den Abschnitt Geteilte Modelle der Studio Classic-Benutzeroberfläche freigeben. Details zu den jeweiligen Metriken finden Sie unter Modelle und Notebooks über die Studio Classic-Benutzeroberfläche freigeben.

Filtern Sie gemeinsam genutzte Inhalte

Es gibt drei Hauptoptionen zum Filtern gemeinsam genutzter Modelle und Notizbücher:

1. Von mir geteilt – Modelle und Notebooks, die Sie entweder für JumpStart oder SageMaker Canvas freigegeben haben.

2. Mit mir geteilt — Modelle und Notebooks, die mit Ihnen geteilt wurden

3. Von meiner Organisation geteilt — Alle Modelle und Notizbücher, die mit anderen Personen in Ihrer Organisation geteilt werden

Sie können Ihre Modelle und Notizbücher auch nach dem Zeitpunkt der letzten Aktualisierung oder nach auf- oder absteigender alphabetischer Reihenfolge sortieren. Wählen Sie das Filtersymbol ( ), um Ihre Auswahl weiter zu sortieren.

Teilen Sie tabellarische Modelle mit SageMaker Canvas-Benutzern

Zusätzlich zum Teilen von Modellen mit Ihrer Organisation können Sie Modelle auch mit Mitarbeitern teilen, die SageMaker Canvas verwenden. Wenn Sie Modelle in SageMaker Canvas teilen, können Ihre Mitarbeiter diese Modelle in SageMaker Canvas importieren und sie verwenden, um Vorhersagen zu generieren.

Wichtig

Wichtig: Sie können tabellarische Modelle nur für SageMaker Canvas freigeben.

Sie können nach Modellen und Notebooks filtern, die für und von SageMaker Canvas freigegeben wurden, indem Sie das Filtersymbol ( ) auf den Registerkarten Von mir geteilt oder Mit mir geteilt auswählen. Weitere Informationen zum Teilen eines Modells mit SageMaker Canvas finden Sie unter Bring Your Own Model in Canvas.

Modelle und Notebooks über die Studio Classic-Benutzeroberfläche freigeben

Um Modelle und Notebooks gemeinsam zu nutzen, navigieren Sie in Amazon SageMaker Studio Classic zum Abschnitt Geteilte Modelle, wählen Sie Von meiner Organisation geteilt und wählen Sie dann die Dropdown-Liste Hinzufügen aus. Wählen Sie, ob Sie ein Modell oder ein Notebook hinzufügen möchten.

Hinzufügen eines Modells

Um ein Modell hinzuzufügen, wählen Sie Von meiner Organisation mitgeteilt und dann Modell hinzufügen aus der Dropdown-Liste Hinzufügen. Geben Sie die Basisinformationen für Ihr Modell ein und fügen Sie alle Trainings- oder Inferenzinformationen hinzu, die Sie mit Auftragnehmern teilen möchten, um Ihr Modell zu trainieren oder bereitzustellen. Nachdem Sie alle erforderlichen Informationen eingegeben haben, wählen Sie in der unteren rechten Ecke die Option Modell hinzufügen aus.

Grundlegende Informationen

Fügen Sie zunächst die grundlegenden beschreibenden Informationen zu Ihrem Modell hinzu. Diese Informationen werden verwendet, um die Durchsuchbarkeit Ihres Modells zu verbessern.

1. Fügen Sie einen Titel für dieses Modell hinzu. Beim Hinzufügen eines Titels wird automatisch eine eindeutige Kennung in das ID-Feld eingetragen, die auf dem Modelltitel basiert.

2. Fügen Sie eine Beschreibung des Modells hinzu.

3. Wählen Sie einen Datentyp aus den Optionen aus: Text, Bild, Tabelle oder Audio.

4. Wählen Sie eine Aufgabe für Machine Learning aus der Liste der verfügbaren Aufgaben aus, z. B. Bildklassifizierung oder Textgenerierung.

5. Wählen Sie ein Machine Learning-Framework.

6. Fügen Sie Metadateninformationen mit Schlüsselwörtern oder Ausdrücken hinzu, die Sie bei der Suche nach einem Modell verwenden können. Verwenden Sie Kommas, um Stichwörter zu trennen. Alle Leerzeichen werden automatisch durch Kommas ersetzt.

Aktivieren von Trainings

Wenn Sie ein Modell zur gemeinsamen Nutzung hinzufügen, können Sie optional eine Trainingsumgebung bereitstellen und es Auftragsnehmern in Ihrer Organisation ermöglichen, das gemeinsam genutzte Modell zu trainieren.

Anmerkung

Wenn Sie ein tabellarisches Modell hinzufügen, müssen Sie auch ein Spaltenformat und eine Zielspalte angeben, um das Training zu ermöglichen. Weitere Informationen finden Sie unter Amazon SageMaker Canvas im Amazon- SageMaker Entwicklerhandbuch.

1. Fügen Sie einen Container hinzu, der für das Modelltraining verwendet werden soll. Sie können einen Container auswählen, der für einen vorhandenen Schulungsauftrag verwendet wird, Ihren eigenen Container in Amazon ECR mitbringen oder einen Amazon SageMaker Deep Learning Container verwenden.

2. Hinzufügen von Umgebungsvariablen

3. Geben Sie einen Speicherort für das Trainingsskript an.

4. Geben Sie einen Einstiegspunkt für den Skriptmodus an.

5. Geben Sie eine Amazon S3-URI für Modellartefakte an, die während des Trainings generiert wurden.

6. Geben Sie den Amazon S3-URI für den Standard-Trainingsdatensatz an.

7. Geben Sie einen Modellausgabepfad an. Der Modellausgabepfad sollte der Amazon S3-URI-Pfad für alle Modellartefakte sein, die durch das Training generiert werden. SageMaker speichert die Modellartefakte als einzelne komprimierte TAR-Datei in Amazon S3.

8. Stellen Sie einen Validierungsdatensatz bereit, den Sie für die Bewertung Ihres Modells während des Trainings verwenden können. Validierungsdatensätze müssen dieselbe Anzahl von Spalten und dieselben Feature-Header wie der Trainingsdatensatz enthalten.

9. Schalten Sie die Netzwerkisolierung ein. Durch die Netzwerkisolierung wird der Modellcontainer isoliert, sodass keine eingehenden oder ausgehenden Netzwerkaufrufe zum oder vom Modellcontainer getätigt werden können.

10. Stellen Sie Trainingskanäle bereit, über die auf Ihre Daten zugreifen SageMaker kann. Sie können zum Beispiel Eingangskanäle mit den Namen train oder test angeben. Geben Sie für jeden Kanal einen Kanalnamen und eine URI zum Speicherort Ihrer Daten an. Wählen Sie Durchsuchen, um nach Amazon S3-Standorten zu suchen.

11. Geben Sie Hyperparameter an. Fügen Sie alle Hyperparameter hinzu, mit denen die Auftragnehmer während des Trainings experimentieren sollen. Geben Sie einen Bereich gültiger Werte für diese Hyperparameter an. Dieser Bereich wird für die Hyperparameter-Validierung von Trainingsaufträgen verwendet. Sie können Bereiche auf der Grundlage des Datentyps des Hyperparameters definieren.

12. Auswahl von Instace-Typen Wir empfehlen die Verwendung von GPU-Instances mit mehr Arbeitsspeicher zum Training mit großen Stapelgrößen. Eine umfassende Liste der SageMaker Trainings-Instances über AWS Regionen hinweg finden Sie in der Tabelle On-Demand-Preise in Amazon SageMaker -Preise.

13. Stellen Sie Kennzahlen bereit. Sie definieren Metriken für einen Optimierungsauftrag, indem Sie für jede Metrik, die Ihr Optimierungsauftrag überwacht, einen Namen und einen regulären Ausdruck angeben. Entwerfen Sie die regulären Ausdrücke so, dass sie die Werte von Metriken erfassen, die der Algorithmus ausgibt. Beispielsweise loss könnte die Metrik den regulären Ausdruck "Loss =(.*?);" haben.

Bereitstellung aktivieren

Wenn Sie ein Modell zur gemeinsamen Nutzung hinzufügen, können Sie optional eine Inferenzumgebung bereitstellen, in der Auftragnehmer in Ihrer Organisation das gemeinsam genutzte Modell für Inferenzen einsetzen können.

1. Fügen Sie einen Container hinzu, der für Inferenzen verwendet werden soll. Sie können Ihren eigenen Container in Amazon ECR mitbringen oder einen Amazon SageMaker Deep Learning Container verwenden.

2. Geben Sie den Amazon S3-URI für ein Inferenzskript an. Benutzerdefinierte Inferenzskripten werden in dem von Ihnen ausgewählten Container ausgeführt. Ihr Inferenzskript sollte eine Funktion zum Laden von Modellen und optional Funktionen zur Generierung von Vorhersagen sowie zur Eingabe- und Ausgabeverarbeitung enthalten. Weitere Informationen zum Erstellen von Inferenzskripten für das Framework Ihrer Wahl finden Sie unter Frameworks in der SageMaker Python-SDK-Dokumentation. Informationen zu finden Sie beispielsweise TensorFlowunter So implementieren Sie den/die Vor- und/oder Nachverarbeitungs-Handler(e).

3. Geben Sie einen Amazon S3-URI für Modellartefakte an. Modellartefakte sind das Ergebnis des Trainings eines Modells und bestehen in der Regel aus trainierten Parametern, einer Modelldefinition, die beschreibt, wie Schlussfolgerungen berechnet werden, und anderen Metadaten. Wenn Sie Ihr Modell in trainiert haben SageMaker, werden die Modellartefakte als einzelne komprimierte TAR-Datei in Amazon S3 gespeichert. Wenn Sie Ihr Modell außerhalb von trainiert haben SageMaker, müssen Sie diese einzelne komprimierte TAR-Datei erstellen und an einem Amazon S3-Speicherort speichern.

4. Auswahl von Instace-Typen Wir empfehlen die Verwendung von GPU-Instances mit mehr Arbeitsspeicher zum Training mit großen Stapelgrößen. Eine umfassende Liste der SageMaker Trainings-Instances über AWS Regionen hinweg finden Sie in der On-Demand-Preistabelle unter Amazon SageMaker-Preise.

Hinzufügen eines Notebooks

Um ein Notebook hinzuzufügen, wählen Sie Von meiner Organisation geteilt und wählen Sie dann in der Dropdownliste Hinzufügen die Option Notizbuch Hinzufügen aus. Geben Sie die Basisinformationen für Ihr Notizbuch ein und geben Sie eine Amazon S3-URI für den Standort dieses Notebooks an.

Grundlegende Informationen

Fügen Sie zunächst die grundlegenden beschreibenden Informationen zu Ihrem Notebook hinzu. Diese Informationen werden verwendet, um die Durchsuchbarkeit Ihres Notizbooks zu verbessern.

1. Fügen Sie einen Titel für dieses Notebook hinzu. Beim Hinzufügen eines Titels wird automatisch eine eindeutige Kennung in das ID-Feld eingetragen, die auf dem Notizbuchtitel basiert.

2. Fügen Sie eine Beschreibung des Notebooks hinzu.

3. Wählen Sie einen Datentyp aus den Optionen aus: Text, Bild, Tabelle oder Audio.

4. Wählen Sie eine ML-Aufgabe aus der Liste der verfügbaren Aufgaben aus, z. B. Bildklassifizierung oder Textgenerierung.

5. Wählen Sie ein ML-Framework aus.

6. Fügen Sie Metadateninformationen mit Schlüsselwörtern oder Ausdrücken hinzu, die Sie bei der Suche nach einem Notebook verwenden können. Verwenden Sie Kommas, um Stichwörter voneinander zu trennen. Alle Leerzeichen werden automatisch durch Kommas ersetzt.

Hinzufügen eines Notebooks

Geben Sie eine Amazon S3-URI für den Standort des Notebooks ein. Sie können Durchsuchen wählen, um Ihre Amazon S3-Buckets nach dem Speicherort Ihrer Notebookdatei zu durchsuchen. Nachdem Sie Ihr Notebook gefunden haben, kopieren Sie den Amazon S3-URI, wählen Sie Stornieren und fügen Sie dann den Amazon S3-URI zum Feld Notebook-Standort hinzu.

Nachdem Sie alle erforderlichen Informationen eingegeben haben, wählen Sie in der unteren rechten Ecke Notebook hinzufügen aus.