Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
Sie können einen Trainingscode in einer vorhandenen Workspace-Umgebung und alle zugehörigen Datenverarbeitungscodes und Datensätze in einen Trainingsjob umwandeln. SageMaker In den folgenden Notizbüchern erfahren Sie, wie Sie mithilfe des XGBoost Algorithmus und Hugging Face Ihre Umgebung, Jobeinstellungen und mehr für ein Problem mit der Bildklassifizierung anpassen können.
Das quick_start-Notebook
-
So passen Sie mit einer Konfigurationsdatei Ihre Jobeinstellungen an.
-
So rufen Sie Python-Funktionen asynchron als Jobs auf.
-
So passen Sie die Job-Laufzeitumgebung individuell an, indem Sie zusätzliche Abhängigkeiten hinzufügen.
-
So werden lokale Abhängigkeiten mit der @remote-Funktionsmethode verwendet.
Die folgenden Notebooks enthalten zusätzlichen Beispielcode für ML-Aufgaben verschiedener Typen und Implementierungen.
-
Öffnen Sie das Notebook pytorch_mnist.ipynb
, um Beispielcode für die Verwendung des @remote Decorators für eine Bildklassifizierungsaufgabe zu sehen. Bei dieser Klassifizierungsaufgabe werden handgeschriebene Ziffern anhand des Beispieldatensatzes vom Modified National Institute of Standards and Technology (MNIST) erkannt. -
Beispielcode für die Verwendung des @remote Decorators für die obige Aufgabe zur Bildklassifizierung mit einem Skript finden Sie im Pytorch MNIST-Beispielskript train.py
. -
Um zu sehen, wie Hugging Face in einen @remote Decorator integriert wird, öffnen Sie das Notebook huggingface.ipynb
.
