Gehen Sie mithilfe von Git-Repos von Drittanbietern durch ein SageMaker MLOps Projekt

Wichtig

Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich speziell auf die Verwendung der Studio Classic-Anwendung. Informationen zur Verwendung der aktualisierten Studio-Oberfläche finden Sie unterAmazon SageMaker Studio.

In dieser exemplarischen Vorgehensweise wird anhand der Vorlage veranschaulichtMLOpsVorlage für Modellerstellung, Schulung und Bereitstellung mit Git-Repositorys von Drittanbietern unter Verwendung CodePipeline, wie mithilfe von MLOps Projekten ein CI/CD-System zum Erstellen, Trainieren und Bereitstellen von Modellen erstellt wird.

Voraussetzungen

Zum Abschließen dieser Vorgehensweise benötigen Sie:

• Ein IAM oder IAM Identity Center-Konto, um sich bei Studio Classic anzumelden. Weitere Informationen finden Sie unter SageMaker Amazon-Domain-Übersicht.

• Erlaubnis zur Verwendung von SageMaker bereitgestellten Projektvorlagen. Weitere Informationen finden Sie unter Erteilung von SageMaker Studio-Berechtigungen, die für die Verwendung von Projekten erforderlich sind.

• Grundlegende Vertrautheit mit der Studio Classic-Benutzeroberfläche. Weitere Informationen finden Sie unter Überblick über die Amazon SageMaker Studio Classic-Benutzeroberfläche.

• Zwei GitHub Repositorys, die mit einem initialisiert wurden. README Sie geben diese Repositorys in die Projektvorlage ein, die diese Repos mit Modellerstellungs- und Bereitstellungscode versorgt.

Schritt 1: Richten Sie die Verbindung ein GitHub

In diesem Schritt stellen Sie über eine Verbindung eine Verbindung zu Ihren GitHub Repositorys AWS CodeStar her. Das SageMaker Projekt verwendet diese Verbindung, um auf Ihre Quellcode-Repositorys zuzugreifen.

Um die GitHub Verbindung einzurichten:

1. Loggen Sie sich in die CodePipeline Konsole ein unter https://console.aws.amazon.com/codepipeline/

2. Wählen Sie im Navigationsbereich unter Einstellungen die Option Verbindungen.

3. Wählen Sie Create Connection (Verbindung erstellen) aus.

4. Wählen Sie unter Anbieter auswählen die Option aus GitHub.

5. Geben Sie für Verbindungsname einen Namen ein.

6. Wählen Sie Connect GitHub.

7. Wenn die AWS GitHub Connector-App noch nicht installiert ist, wählen Sie Neue App installieren.

   Daraufhin wird eine Liste aller GitHub persönlichen Konten und Organisationen angezeigt, auf die Sie Zugriff haben.

8. Wählen Sie das Konto aus, für das Sie Konnektivität für die Verwendung mit SageMaker Projekten und GitHub Repositorys einrichten möchten.

9. Wählen Sie Konfigurieren aus.

10. Sie können optional Ihre spezifischen Repositorys oder Alle Repositorys auswählen.

11. Wählen Sie Save (Speichern) aus. Wenn die App installiert ist, werden Sie auf die GitHub Seite Connect to umgeleitet und die Installations-ID wird automatisch eingetragen.

12. Wählen Sie Connect aus.

13. Fügen Sie dieser AWS CodeStar Verbindung ein Tag mit dem Schlüssel sagemaker und true dem Wert hinzu.

14. Kopieren Sie die VerbindungARN, um sie für später zu speichern. Sie verwenden den ARN als Parameter im Schritt der Projekterstellung.

Schritt 2: Erstellen des Projekts

In diesem Schritt erstellen Sie ein SageMaker MLOps Projekt, indem Sie eine SageMaker bereitgestellte Projektvorlage verwenden, um Modelle zu erstellen, zu trainieren und bereitzustellen.

Um das Projekt zu erstellen SageMaker MLOps

1. Melden Sie sich bei Studio Classic an. Weitere Informationen finden Sie unter SageMaker Amazon-Domain-Übersicht.

2. Wählen Sie in der Seitenleiste von Studio Classic das Home-Symbol ( ).

3. Wählen Sie im Menü Bereitstellungen und dann Projekte aus.

4. Wählen Sie Create project (Projekt erstellen) aus.

   Die Registerkarte Projekt erstellen wird angezeigt.

5. Wählen Sie für SageMaker Projektvorlagen eine MLOpsVorlage für Modellerstellung, Schulung und Bereitstellung mit Git-Repositorys von Drittanbietern.

6. Wählen Sie Projektvorlage auswählen.

7. Geben Sie unter ModelBuild CodeRepository Info die folgenden Parameter an:

   • Geben Sie zum URLBeispiel den URL Ihres Git-Repositorys für den Model-Build-Code in https://eingit-url.git-Format.

   • Geben Sie für Branch den Branch ein, der aus Ihrem Git-Repository für Pipeline-Aktivitäten verwendet werden soll.

   • Geben Sie für den vollständigen Repository-Namen den Git-Repository-Namen im Format von ein username/repository name or organization/repository name.

   • Geben Sie für Codestar Connection die ARN AWS CodeStar Verbindung einARN, die Sie in Schritt 1 erstellt haben.

   • Mit dem Umschalter für den Beispielcode können Sie wählen, ob das Repository mit Modell-Build-Seedcode gefüllt werden soll. Wir können es für diese Demo eingeschaltet lassen.

8. Geben Sie unter ModelDeploy CodeRepository Info die folgenden Parameter an:

   • Geben Sie zum URLBeispiel den Code URL Ihres Git-Repositorys für den Modellbereitstellungscode in https://eingit-url.git-Format.

   • Geben Sie für Branch den Branch ein, der aus Ihrem Git-Repository für Pipeline-Aktivitäten verwendet werden soll.

   • Geben Sie für den vollständigen Repository-Namen den Git-Repository-Namen im Format von ein username/repository name or organization/repository name.

   • Geben Sie für Codestar Connection die ARN AWS CodeStar Verbindung einARN, die Sie in Schritt 1 erstellt haben.

   • Mit dem Umschalter für den Beispielcode können Sie wählen, ob das Repository mit dem Ausgangscode für die Modellbereitstellung gefüllt werden soll. Wir können es für diese Demo eingeschaltet lassen.

9. Wählen Sie Projekt erstellen aus.

Das Projekt wird in der Projekt-Liste mit dem Status Erstellt angezeigt.

Schritt 3: Nehmen Sie eine Änderung am Code vor

Nehmen Sie nun eine Änderung am Pipeline-Code vor, der das Modell erstellt, und übernehmen Sie die Änderung, um einen neuen Pipeline-Lauf zu initiieren. Der Pipeline-Lauf registriert eine neue Modellversion.

Um eine Codeänderung vorzunehmen

1. Navigieren Sie in Ihrem GitHub Model-Build-Repo zu dem Ordner. pipelines/abalone Doppelklicken Sie pipeline.py, um die Codedatei zu öffnen.

2. Suchen Sie in der pipeline.py Datei nach der Zeile, die den Typ der Trainings-Instance festlegt.

   training_instance_type = ParameterString(
           name="TrainingInstanceType", default_value="ml.m5.xlarge"

   Öffnen Sie die Datei zur Bearbeitung, ändern Sie ml.m5.xlarge zu ml.m5.large, und bestätigen Sie sie.

Nachdem Sie Ihre Codeänderung übernommen haben, initiiert das MLOps System eine Ausführung der Pipeline, die eine neue Modellversion erstellt. Im nächsten Schritt genehmigen Sie die neue Modellversion, um sie für die Produktion bereitzustellen.

Schritt 4: Genehmigen des Modells

Jetzt genehmigen Sie die neue Modellversion, die im vorherigen Schritt erstellt wurde, um die Bereitstellung der Modellversion auf einem SageMaker Endpunkt zu initiieren.

Um die Modellversion zu genehmigen

1. Wählen Sie in der Seitenleiste von Studio Classic das Home-Symbol ( ).

2. Wählen Sie im Menü Bereitstellungen und dann Projekte aus.

3. Suchen Sie den Namen des Projekts, das Sie im ersten Schritt erstellt haben, und doppelklicken Sie darauf, um die Projekt-Registerkarte für Ihr Projekt zu öffnen.

4. Wählen Sie auf der Projektregisterkarte Modellgruppen aus und doppelklicken Sie dann auf den Namen der Modellgruppe, die angezeigt wird.

   Die Registerkarte Modellgruppe wird angezeigt.

5. Doppelklicken Sie auf der Registerkarte Modellgruppe auf Version 1. Die Registerkarte Version 1 wird geöffnet. Wählen Sie Status aktualisieren.

6. Wählen Sie im Dialogfeld Modellversionsstatus aktualisieren in der Dropdown-Liste Status die Option Genehmigen und dann Status aktualisieren aus.

   Durch die Genehmigung der Modellversion wird das Modell vom MLOps System für die Staging-Bereitstellung bereitgestellt. Um den Endpunkt anzuzeigen, wählen Sie auf der Projektregisterkarte die Registerkarte Endpunkte aus.

(Optional) Schritt 5: Stellen Sie die Modellversion für die Produktion bereit

Jetzt können Sie die Modellversion in der Produktionsumgebung bereitstellen.

Anmerkung

Um diesen Schritt abschließen zu können, müssen Sie Administrator in Ihrer Studio Classic-Domäne sein. Wenn Sie kein Administrator sind, überspringen Sie diesen Schritt.

Um die Modellversion in der Produktionsumgebung bereitzustellen

1. Melden Sie sich bei der CodePipeline Konsole an unter https://console.aws.amazon.com/codepipeline/

2. Wählen Sie Pipelines und dann die Pipeline mit dem Namen sagemaker-projectname-projectid-modeldeploy, wo projectname ist der Name Ihres Projekts und projectid ist die ID Ihres Projekts.

3. Wählen Sie in der DeployStagingPhase Überprüfen aus.

4. Wählen Sie im Dialogfeld Prüfen die Option Genehmigen aus.

   Wenn Sie die DeployStagingPhase genehmigen, führt das MLOps System das Modell für die Produktion ein. Um den Endpunkt anzuzeigen, wählen Sie in Studio Classic auf der Projektregisterkarte die Registerkarte Endpoints aus.

Schritt 6: Bereinigen von Ressourcen

Bereinigen Sie die Ressourcen, die in dieser Vorgehensweise erstellt wurden, damit keine Gebühren mehr anfallen.

Anmerkung

Um den AWS CloudFormation Stack und den Amazon S3 S3-Bucket zu löschen, müssen Sie Administrator in Studio Classic sein. Wenn Sie kein Administrator sind, bitten Sie Ihren Administrator, diese Schritte auszuführen.

1. Wählen Sie in der Seitenleiste von Studio Classic das Home-Symbol ( ).

2. Wählen Sie im Menü Bereitstellungen und dann Projekte aus.

3. Wählen Sie das Zielprojekt aus der Dropdown-Liste aus. Wenn Sie Ihr Projekt nicht sehen, geben Sie den Projektnamen ein und wenden Sie den Filter an, um Ihr Projekt zu finden.

4. Wählen Sie Ihr Projekt aus, um die Details im Hauptbereich anzuzeigen.

5. Wählen Sie im Menü Aktionen die Option Löschen aus.

6. Bestätigen Sie Ihre Auswahl, indem Sie im Fenster Projekt löschen die Option Löschen wählen.

   Dadurch wird das von Service Catalog bereitgestellte Produkt gelöscht, das das Projekt erstellt hat. Dazu gehören die CodeBuild Ressourcen CodeCommit, und CodePipeline, die für das Projekt erstellt wurden.

7. Löschen Sie die AWS CloudFormation Stapel, die das Projekt erstellt hat. Es gibt zwei Stacks, einen für das Staging und einen für die Produktion. Die Namen der Stacks lauten Sagemaker-projectname-project-id-deploy-staging und Sagemaker- projectname-project-id-deploy-prod, wo projectname ist der Name Ihres Projekts und project-id ist die ID Ihres Projekts.

   Informationen zum Löschen eines AWS CloudFormation Stacks finden Sie im AWS CloudFormation Benutzerhandbuch unter Löschen eines Stacks auf der AWS CloudFormation Konsole.

8. Löschen Sie den Amazon-S3-Bucket, den das Projekt erstellt hat. Der Name des Buckets lautet sagemaker-project-project-id, wo project-id ist die ID Ihres Projekts.