Modèles et blocs-notes partagés

Important

Depuis le 30 novembre 2023, l'expérience Amazon SageMaker Studio précédente s'appelle désormais Amazon SageMaker Studio Classic. La section suivante est spécifique à l'utilisation de l'application Studio Classic. Pour plus d'informations sur l'utilisation de l'expérience Studio mise à jour, consultezAmazon SageMaker Studio.

Partagez vos modèles et vos blocs-notes pour centraliser les artefacts des modèles, faciliter leur découverte et accroître la réutilisation des modèles au sein de votre organisation. Lorsque vous partagez vos modèles, vous pouvez fournir des informations sur l'environnement de formation et d'inférence, et autoriser les collaborateurs à utiliser ces environnements pour leurs propres tâches de formation et d'inférence.

Tous les modèles que vous partagez et les modèles partagés avec vous sont consultables dans un emplacement centralisé directement dans Amazon SageMaker Studio Classic. Pour plus d'informations sur les étapes d'intégration pour se connecter à Amazon SageMaker Studio Classic, consultez la section Intégration à Amazon SageMaker Domain.

Accès aux modèles et blocs-notes partagés

Pour accéder à votre contenu partagé, choisissez Modèles partagés dans le volet de navigation de gauche de l'interface utilisateur Amazon SageMaker Studio Classic.

Ajouter du contenu partagé

Vous pouvez partager des modèles ou des blocs-notes via la section Modèles partagés de l'interface utilisateur de Studio Classic. Pour plus d'informations sur chaque étape, consultez Partagez des modèles et des blocs-notes via l'interface utilisateur de Studio Classic.

Filtrer le contenu partagé

Il existe trois options principales pour filtrer les modèles et blocs-notes partagés :

1. Partagé par moi — Modèles et carnets que vous avez partagés avec SageMaker Canvas JumpStart ou avec Canvas.

2. Shared with me (Partagé avec moi) : modèles et blocs-notes partagés avec vous

3. Shared by my organization (Partagé par mon organisation) : tous les modèles et blocs-notes partagés avec tous les membres de votre organisation

Vous pouvez également trier vos modèles et blocs-notes en fonction de l'heure à laquelle ils ont été mis à jour pour la dernière fois ou par ordre alphabétique croissant ou décroissant. Cliquez sur l'icône de filtre ( ) pour mieux trier vos sélections.

Partagez des modèles tabulaires avec les utilisateurs de SageMaker Canvas

Outre le partage de modèles avec votre organisation, vous pouvez également partager des modèles avec des collaborateurs qui utilisent SageMaker Canvas. Si vous partagez des modèles avec SageMaker Canvas, vos collaborateurs peuvent importer ces modèles dans SageMaker Canvas et les utiliser pour générer des prédictions.

Important

Important : vous ne pouvez partager des modèles tabulaires que SageMaker sur Canvas.

Vous pouvez filtrer les modèles et carnets partagés vers et depuis SageMaker Canvas en sélectionnant l'icône de filtre ( ) dans les onglets Partagé par moi ou Partagé avec moi. Pour plus d'informations sur le partage d'un modèle sur SageMaker Canvas, voir Importer votre propre modèle dans Canvas.

Partagez des modèles et des blocs-notes via l'interface utilisateur de Studio Classic

Pour partager des modèles et des carnets de notes, accédez à la section Modèles partagés d'Amazon SageMaker Studio Classic, choisissez Partagé par mon organisation, puis sélectionnez la liste déroulante Ajouter. Choisissez d'ajouter un modèle ou un bloc-notes.

Ajouter un modèle

Pour ajouter un modèle, choisissez Shared by my organization (Partagé par mon organisation), puis sélectionnez Add model (Ajouter un modèle) dans la liste déroulante Add (Ajouter). Entrez les informations de base de votre modèle et ajoutez toutes les informations de formation ou d'inférence que vous souhaitez partager avec des collaborateurs, pour former ou déployer votre modèle. Après avoir saisi toutes les informations nécessaires, choisissez Add model (Ajouter un modèle) dans le coin inférieur droit.

Informations de base

Tout d'abord, ajoutez les informations descriptives de base sur votre modèle. Ces informations permettent d'améliorer la facilité de recherche de votre modèle.

1. Ajoutez un titre pour ce modèle. L'ajout d'un titre renseigne automatiquement un identifiant unique dans le champ ID en fonction du titre du modèle.

2. Ajouter une description du modèle.

3. Sélectionnez un type de données parmi les options : texte (texte), vision, tabular (tabulaire) ou audio.

4. Sélectionnez une tâche de machine learning dans la liste des tâches disponibles, comme image classification (classification d'images) ou text generation (génération de texte).

5. Sélectionnez un cadre de machine learning.

6. Ajoutez des informations de métadonnées avec des mots clés ou des expressions à utiliser lors de la recherche d'un modèle. Séparez les mots clés à l'aide de virgules. Tous les espaces sont automatiquement remplacés par des virgules.

Activer l'entraînement

Lorsque vous ajoutez un modèle à partager, vous pouvez fournir un environnement d'entraînement et permettre aux collaborateurs de votre organisation d'entraîner le modèle partagé.

Note

Si vous ajoutez un modèle tabulaire, vous devez également spécifier un format de colonne et une colonne cible pour activer l'entraînement. Pour plus d'informations, consultez Amazon SageMaker Canvas dans le manuel Amazon SageMaker Developer Guide.

1. Ajoutez un conteneur à utiliser pour l'entraînement des modèles. Vous pouvez sélectionner un conteneur utilisé pour un poste de formation existant, apporter votre propre conteneur sur Amazon ECR ou utiliser un conteneur Amazon SageMaker Deep Learning.

2. Ajoutez des variables d'environnement.

3. Indiquez l'emplacement du script d'entraînement.

4. Fournissez un point d'entrée en mode script.

5. Fournissez un Amazon S3 URI pour les artefacts du modèle générés pendant la formation.

6. Fournissez l'Amazon S3 URI à l'ensemble de données d'entraînement par défaut.

7. Fournissez un chemin de sortie du modèle. Le chemin de sortie du modèle doit être le URI chemin Amazon S3 pour tous les artefacts de modèle générés lors de l'entraînement. SageMaker enregistre les artefacts du modèle sous forme de TAR fichier compressé unique dans Amazon S3.

8. Fournissez un jeu de données de validation à utiliser pour évaluer votre modèle pendant l'entraînement. Les jeux de données de validation doivent contenir le même nombre de colonnes et les mêmes en-têtes de fonctions que le jeu de données d'entraînement.

9. Activez l'isolation du réseau. L'isolation du réseau isole le conteneur du modèle afin qu'aucun appel réseau entrant ou sortant ne puisse être effectué vers le conteneur modèle ou à partir de celui-ci.

10. Fournissez des canaux de formation par lesquels SageMaker vous pouvez accéder à vos données. Par exemple, vous pouvez spécifier les canaux d'entrée nommés train ou test. Pour chaque canal, spécifiez un nom de canal et un URI à l'emplacement de vos données. Choisissez Browse (Parcourir) pour rechercher des emplacements Amazon S3.

11. Fournissez des hyperparamètres. Ajoutez tous les hyperparamètres que les collaborateurs devraient tester pendant l'entraînement. Fournissez une plage de valeurs valides pour ces hyperparamètres. Cette plage est utilisée pour la validation des hyperparamètres des tâches d'entraînement. Vous pouvez définir des plages en fonction du type de données de l'hyperparamètre.

12. Sélectionnez un type d'instance. Nous recommandons une GPU instance avec plus de mémoire pour l'entraînement avec des lots de grande taille. Pour obtenir une liste complète des instances de SageMaker formation dans toutes AWS les régions, consultez le tableau des tarifs à la demande dans Amazon SageMaker Pricing.

13. Fournissez des métriques. Définissez les métriques d'une tâche d'entraînement en spécifiant un nom et une expression régulière pour chaque métrique surveillée par votre entraînement. Concevez les expressions régulières de manière à ce qu'elles capturent les valeurs des métriques émises par votre algorithme. Par exemple, la métrique loss peut contenir l'expression régulière "Loss =(.*?);".

Activer le déploiement

Lorsque vous ajoutez un modèle à partager, vous pouvez fournir un environnement d'inférence dans lequel les collaborateurs de votre organisation peuvent déployer le modèle partagé pour l'inférence.

1. Ajoutez un conteneur à utiliser pour l'inférence. Vous pouvez apporter votre propre conteneur sur Amazon ECR ou utiliser un conteneur Amazon SageMaker Deep Learning.

2. Fournissez l'Amazon S3 URI à un script d'inférence. Des scripts d'inférence personnalisés s'exécutent dans le conteneur de votre choix. Votre script d'inférence doit inclure une fonction de chargement du modèle et, éventuellement, des fonctions générant des prédictions et traitant les entrées et les sorties. Pour plus d'informations sur la création de scripts d'inférence pour le framework de votre choix, consultez Frameworks dans la SDK documentation SageMaker Python. Par exemple, pour TensorFlow, voir Comment implémenter le ou les gestionnaires de pré-traitement et/ou de post-traitement.

3. Fournissez un Amazon S3 URI pour les artefacts du modèle. Les artefacts de modèle sont les résultats de l'entraînement d'un modèle. Ils se composent généralement de paramètres entraînés, d'une définition de modèle décrivant comment calculer les inférences et d'autres métadonnées. Si vous avez entraîné votre modèle SageMaker, les artefacts du modèle sont enregistrés sous forme de TAR fichier compressé unique dans Amazon S3. Si vous avez entraîné votre modèle à l'extérieur SageMaker, vous devez créer ce TAR fichier compressé unique et l'enregistrer dans un emplacement Amazon S3.

4. Sélectionnez un type d'instance. Nous recommandons une GPU instance avec plus de mémoire pour l'entraînement avec des lots de grande taille. Pour obtenir une liste complète des instances de SageMaker formation dans toutes AWS les régions, consultez le tableau des tarifs à la demande dans Amazon SageMaker Pricing.

Ajouter un bloc-notes

Pour ajouter un bloc-notes, choisissez Shared by my organization (Partagé par mon organisation), puis sélectionnez Add notebook (Ajouter un bloc-notes) dans la liste déroulante Add (Ajouter). Entrez les informations de base de votre bloc-notes et fournissez un Amazon S3 URI indiquant l'emplacement de ce bloc-notes.

Informations de base

Tout d'abord, ajoutez les informations descriptives de base sur votre bloc-notes. Ces informations permettent d'améliorer la facilité de recherche de votre bloc-notes.

1. Ajoutez un titre à ce bloc-notes. L'ajout d'un titre renseigne automatiquement un identifiant unique dans le champ ID en fonction du titre du bloc-notes.

2. Ajoutez une description du bloc-notes.

3. Sélectionnez un type de données parmi les options : texte (texte), vision, tabular (tabulaire) ou audio.

4. Sélectionnez une tâche de machine learning dans la liste des tâches disponibles, comme image classification (classification d'images) ou text generation (génération de texte).

5. Sélectionnez un framework de machine learning.

6. Ajoutez des informations de métadonnées avec des mots clés ou des expressions à utiliser lors de la recherche d'un bloc-notes. Séparez les mots clés à l'aide de virgules. Tous les espaces sont automatiquement remplacés par des virgules.

Ajouter un bloc-notes

Fournissez un Amazon S3 URI pour l'emplacement de ce bloc-notes. Vous pouvez sélectionner Browse (Parcourir) pour parcourir vos compartiments Amazon S3 pour l'emplacement de votre fichier de votre bloc-notes. Une fois que vous avez trouvé votre bloc-notes, copiez l'Amazon S3URI, choisissez Annuler, puis ajoutez l'Amazon S3 URI dans le champ Emplacement du bloc-notes.

Après avoir saisi toutes les informations nécessaires, choisissez Add notebook (Ajouter un bloc-notes) dans le coin inférieur droit.