Compiler un modèle (Amazon SageMakerSDK)

Vous pouvez utiliser le compile_modelAPIdans Amazon SageMaker SDK pour Python pour compiler un modèle entraîné et l'optimiser pour un matériel cible spécifique. Le API doit être invoqué sur l'objet estimateur utilisé lors de l'entraînement du modèle.

Note

Vous devez définir la variable d'MMS_DEFAULT_RESPONSE_TIMEOUTenvironnement sur 500 lorsque vous compilez le modèle avec MXNet ou PyTorch. La variable d'environnement n'est pas nécessaire pour TensorFlow.

Voici un exemple de la façon dont vous pouvez compiler un modèle à l'aide de l'objet trained_model_estimator :

# Replace the value of expected_trained_model_input below and
# specify the name & shape of the expected inputs for your trained model
# in json dictionary form
expected_trained_model_input = {'data':[1, 784]}

# Replace the example target_instance_family below to your preferred target_instance_family
compiled_model = trained_model_estimator.compile_model(target_instance_family='ml_c5',
        input_shape=expected_trained_model_input,
        output_path='insert s3 output path',
        env={'MMS_DEFAULT_RESPONSE_TIMEOUT': '500'})

Le code compile le modèle, enregistre le modèle optimisé dans output_path et crée un SageMaker modèle qui peut être déployé sur un point de terminaison. Des exemples de blocs-notes d'utilisation de SDK for Python sont fournis dans la section Neo Model Compilation Sample Notebooks.