Vorgefertigte Amazon SageMaker -Docker-Images für Scikit-learn und Spark ML

SageMaker bietet vorgefertigte Docker-Images, die die Bibliotheken scikit-learn und Spark ML installieren. Diese Bibliotheken enthalten auch die Abhängigkeiten, die zum Erstellen von Docker-Images erforderlich sind, die mit unter SageMaker Verwendung des Amazon SageMaker Python SDK kompatibel sind. Mit dem SDK können Sie Scikit-learn für Machine Learning-Aufgaben und Spark ML zum Erstellen und Optimieren von Machine Learning-Pipelines verwenden. Weitere Informationen zur Installation und Verwendung des SDK finden Sie unter SageMaker Python SDK.

Verwenden des SageMaker Python SDK

Die folgende Tabelle enthält Links zu den GitHub Repositorys mit dem Quellcode für die Scikit-learn- und Spark-ML-Container. Die Tabelle enthält auch Links zu Anweisungen, die zeigen, wie Sie diese Container mit Python-SDK-Schätzern verwenden, um Ihre eigenen Trainingsalgorhythmen auszuführen und Ihre eigenen Modelle zu hosten.

Bibliothek	Quellcode des vorkonfigurierten Docker-Images	Anweisungen
Scikit-learn	SageMaker Scikit-learn-Container	Verwenden von Scikit-learn mit dem Amazon SageMaker Python SDK
Spark ML	SageMaker Spark ML-Serving-Container	SparkML Python SDK-Dokumentation

Weitere Informationen und Links zu Github-Repositorys finden Sie unter Verwenden Sie Scikit-learn mit Amazon SageMaker und Verwenden Sie SparkML Serving mit Amazon SageMaker.

Manuelles Angeben der vordefinierten Images

Wenn Sie das SageMaker Python SDK und einen seiner Schätzer nicht zur Verwaltung des Containers verwenden, müssen Sie den entsprechenden vorgefertigten Container manuell abrufen. Die SageMaker vorgefertigten Docker-Images werden in Amazon Elastic Container Registry (Amazon ECR) gespeichert. Sie können sie mit ihren vollständigen Registrierungsadressen pushen oder abrufen. SageMaker verwendet die folgenden Docker-Image-URL-Muster für scikit-learn und Spark ML:

• <ACCOUNT_ID>.dkr.ecr.<REGION_NAME>.amazonaws.com/sagemaker-scikit-learn:<SCIKIT-LEARN_VERSION>-cpu-py<PYTHON_VERSION>

  Beispiel: 746614075791.dkr.ecr.us-west-1.amazonaws.com/sagemaker-scikit-learn:1.2-1-cpu-py3

• <ACCOUNT_ID>.dkr.ecr.<REGION_NAME>.amazonaws.com/sagemaker-sparkml-serving:<SPARK-ML_VERSION>

  Beispiel: 341280168497.dkr.ecr.ca-central-1.amazonaws.com/sagemaker-sparkml-serving:2.4

Informationen zu Konto-IDs und AWS Regionsnamen finden Sie unter Docker-Registrierungspfade und Beispielcode .

Verfügbare Bilder finden

Verwenden Sie die folgenden Befehle, um herauszufinden, welche Versionen der Bilder verfügbar sind. Verwenden Sie beispielsweise Folgendes, um das verfügbare sagemaker-sparkml-serving Bild in der ca-central-1 Region zu finden:

aws \
    ecr describe-images \
    --region ca-central-1 \
    --registry-id 341280168497 \
    --repository-name sagemaker-sparkml-serving