TensorFlow Processeur Framework

TensorFlow est une bibliothèque open source d'apprentissage automatique et d'intelligence artificielle. Le TensorFlowProcessor SDK Amazon SageMaker Python vous permet d'exécuter des tâches de traitement à l'aide de TensorFlow scripts. Lorsque vous utilisez leTensorFlowProcessor, vous pouvez tirer parti d'un conteneur Docker construit par Amazon avec un TensorFlow environnement géré afin de ne pas avoir à apporter votre propre conteneur.

L'exemple de code suivant montre comment vous pouvez utiliser le TensorFlowProcessor pour exécuter votre tâche de traitement à l'aide d'une image Docker fournie et gérée par SageMaker. Notez que lorsque vous exécutez la tâche, vous pouvez spécifier un répertoire contenant vos scripts et dépendances dans l'source_dirargument, et vous pouvez avoir un requirements.txt fichier situé dans votre source_dir répertoire qui spécifie les dépendances de vos scripts de traitement. SageMaker Le traitement installe les dépendances requirements.txt dans le conteneur pour vous.

from sagemaker.tensorflow import TensorFlowProcessor
from sagemaker.processing import ProcessingInput, ProcessingOutput
from sagemaker import get_execution_role

#Initialize the TensorFlowProcessor
tp = TensorFlowProcessor(
    framework_version='2.3',
    role=get_execution_role(),
    instance_type='ml.m5.xlarge',
    instance_count=1,
    base_job_name='frameworkprocessor-TF',
    py_version='py37'
)

#Run the processing job
tp.run(
    code='processing-script.py',
    source_dir='scripts',
    inputs=[
        ProcessingInput(
            input_name='data',
            source=f's3://{BUCKET}/{S3_INPUT_PATH}',
            destination='/opt/ml/processing/input/data'
        ),
        ProcessingInput(
            input_name='model',
            source=f's3://{BUCKET}/{S3_PATH_TO_MODEL}',
            destination='/opt/ml/processing/input/model'
        )
    ],
    outputs=[
        ProcessingOutput(
            output_name='predictions',
            source='/opt/ml/processing/output',
            destination=f's3://{BUCKET}/{S3_OUTPUT_PATH}'
        )
    ]
)

Si vous avez un fichier requirements.txt, il doit s'agir d'une liste de bibliothèques que vous souhaitez installer dans le conteneur. Le chemin d'accès pour source_dir peut être un chemin d'accès relatif, absolu ou par URI Amazon S3. Toutefois, si vous utilisez un chemin d'accès par URI Amazon S3, celui-ci doit pointer vers un fichier tar.gz. Vous pouvez disposer de plusieurs scripts dans le répertoire que vous spécifiez pour source_dir. Pour en savoir plus sur cette TensorFlowProcessor classe, consultez TensorFlow Estimator dans le SDK Amazon SageMaker Python.