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.
Funktionsverarbeitung mit Sci-kit Learn
Ein Beispiel-Notebook, das zeigt, wie scikit-learn-Skripte mit einem von bereitgestellten und verwalteten Docker-Image ausgeführt werden, SageMaker um Daten vorab zu verarbeiten und Modelle auszuwerten, finden Sie unter scikit-learn Processing
Dieses Notebook führt einen Verarbeitungsauftrag mit der -SKLearnProcessor
Klasse aus dem SageMaker Python-SDK aus, um ein von Ihnen bereitgestelltes Scikit-learn-Skript auszuführen. Das Skript verarbeitet Daten vor, trainiert ein Modell anhand eines SageMaker Trainingsauftrags und führt dann einen Verarbeitungsauftrag aus, um das trainierte Modell zu bewerten. Mit dem Verarbeitungsauftrag wird die Leistung des Modells in der Produktion geschätzt.
Weitere Informationen zur Verwendung des SageMaker Python-SDK mit Verarbeitungscontainern finden Sie im SageMaker Python-SDK
Das folgende Beispiel zeigt, wie Notebook SKLearnProcessor
verwendet, um Ihr eigenes scikit-learn-Skript mit einem von SageMaker bereitgestellten und verwalteten Docker-Image auszuführen, anstatt Ihrem eigenen Docker-Image.
from sagemaker.sklearn.processing import SKLearnProcessor from sagemaker.processing import ProcessingInput, ProcessingOutput sklearn_processor = SKLearnProcessor(framework_version='0.20.0', role=role, instance_type='ml.m5.xlarge', instance_count=1) sklearn_processor.run(code='preprocessing.py', inputs=[ProcessingInput( source='s3://path/to/my/input-data.csv', destination='/opt/ml/processing/input')], outputs=[ProcessingOutput(source='/opt/ml/processing/output/train'), ProcessingOutput(source='/opt/ml/processing/output/validation'), ProcessingOutput(source='/opt/ml/processing/output/test')] )
Um Daten mit Scikit-Learn in Amazon SageMaker Processing parallel zu verarbeiten, können Sie Eingabeobjekte nach S3-Schlüssel fragmentieren, indem Sie s3_data_distribution_type='ShardedByS3Key'
innerhalb einer festlegen, ProcessingInput
sodass jede Instance etwa dieselbe Anzahl von Eingabeobjekten erhält.