Modèle de programmation pour Amazon SageMaker - Amazon SageMaker

Modèle de programmation pour Amazon SageMaker

La création d'appels d'API directement à partir de code est fastidieuse et exige l'écriture de code pour authentifier vos demandes. Amazon SageMaker fournit les alternatives suivantes :

  • Utilisation de la console SageMaker : avec la console, plus besoin d'écrire du code. Vous utilisez l'interface utilisateur de la console pour démarrer l'entraînement du modèle ou déployer un modèle. La console fonctionne bien pour les travaux simples, où vous utilisez un algorithme d'entraînement intégré, et où vous n'avez pas besoin de prétraiter les données d'entraînement.

     

  • Modification d'exemples de bloc-notes Jupyter : SageMaker fournit plusieurs blocs-notes Jupyter pour entraîner et déployer des modèles à l'aide d'algorithmes et de jeux de données spécifiques. Commencez avec un bloc-notes qui dispose d'un algorithme approprié et modifiez-le en fonction de votre source de données et de vos besoins spécifiques.

     

  • Écriture de code d'entraînement du modèle et d'inférence à partir de zéro : SageMaker fournit plusieurs langages de kits SDK AWS (répertoriés dans la présentation), ainsi que le kit SDK Python Amazon SageMaker, une bibliothèque Python de haut niveau que vous pouvez utiliser dans votre code pour démarrer des tâches d'entraînement du modèle et déployer ensuite les modèles obtenus.

     

    • Kit SDK Python SageMaker : cette bibliothèque Python simplifie l'entraînement et le déploiement des modèles. En plus d'authentifier vos demandes, la bibliothèque extrait les spécificités de plate-forme en fournissant des méthodes simples et des paramètres par défaut. Par exemple :

       

      • Pour déployer votre modèle, vous appelez seulement la méthode deploy(). La méthode crée un artefact de modèle SageMaker, une configuration de point de terminaison, puis déploie le modèle sur un point de terminaison.

         

      • Si vous utilisez un script d'infrastructure personnalisé pour l'entraînement de modèle, vous appelez la méthode fit(). La méthode crée un fichier .gzip de votre script, le charge vers un emplacement Amazon S3, puis l'exécute pour l'entraînement du modèle et d'autres tâches. Pour de plus amples informations, veuillez consulter Utilisation de cadres de machine learning, de Python et de R avec Amazon SageMaker.

         

    • Les kits SDK AWS : les kits SDK fournissent des méthodes qui correspondent à l'API SageMaker (voir Operations)). Utilisez les kits SDK pour démarrer une tâche d'entraînement du modèle par programmation et héberger le modèle dans SageMaker. Les clients de kit SDK authentifient vos demandes à l'aide de vos clés d'accès ; vous n'avez donc pas besoin d'écrire le code d'authentification. Ces kits sont disponibles en plusieurs langues et pour plusieurs plates-formes. Pour de plus amples informations, consultez la liste précédente dans la présentation.

       

    Dans Démarrer avec Amazon SageMaker, vous entraînez et déployez un modèle à l'aide d'un algorithme fourni par SageMaker. Cet exercice montre comment utiliser ces deux bibliothèques. Pour de plus amples informations, veuillez consulter Démarrer avec Amazon SageMaker.

     

  • Intégration de SageMaker dans votre flux Apache Spark : SageMaker fournit une bibliothèque pour appeler ses API à partir d'Apache Spark. Vous pouvez ainsi utiliser des évaluateurs basés sur SageMaker dans un pipeline Apache Spark. Pour de plus amples informations, veuillez consulter Utilisation d'Apache Spark avec Amazon SageMaker.