Comment utiliser l' SageMaker IA TabTransformer

Vous pouvez l'utiliser TabTransformer comme algorithme intégré d'Amazon SageMaker AI. La section suivante décrit comment utiliser TabTransformer le SDK SageMaker Python. Pour plus d'informations sur l'utilisation TabTransformer depuis l'interface utilisateur Amazon SageMaker Studio Classic, consultezSageMaker JumpStart modèles préentraînés.

• Utilisation TabTransformer en tant qu'algorithme intégré

  Utilisez l'algorithme TabTransformer intégré pour créer un conteneur d' TabTransformer entraînement, comme indiqué dans l'exemple de code suivant. Vous pouvez détecter automatiquement l'URI de l'image de l'algorithme TabTransformer intégré à l'aide de l'image_uris.retrieveAPI SageMaker AI (ou de l'get_image_uriAPI si vous utilisez le SDK Amazon SageMaker Python version 2).

  Après avoir spécifié l'URI de TabTransformer l'image, vous pouvez utiliser le TabTransformer conteneur pour créer un estimateur à l'aide de l'API SageMaker AI Estimator et lancer une tâche de formation. L'algorithme TabTransformer intégré s'exécute en mode script, mais le script d'entraînement vous est fourni et il n'est pas nécessaire de le remplacer. Si vous avez une vaste expérience de l'utilisation du mode script pour créer une tâche de SageMaker formation, vous pouvez intégrer vos propres scripts de TabTransformer formation.

  from sagemaker import image_uris, model_uris, script_uris
  
  train_model_id, train_model_version, train_scope = "pytorch-tabtransformerclassification-model", "*", "training"
  training_instance_type = "ml.p3.2xlarge"
  
  # Retrieve the docker image
  train_image_uri = image_uris.retrieve(
      region=None,
      framework=None,
      model_id=train_model_id,
      model_version=train_model_version,
      image_scope=train_scope,
      instance_type=training_instance_type
  )
  
  # Retrieve the training script
  train_source_uri = script_uris.retrieve(
      model_id=train_model_id, model_version=train_model_version, script_scope=train_scope
  )
  
  train_model_uri = model_uris.retrieve(
      model_id=train_model_id, model_version=train_model_version, model_scope=train_scope
  )
  
  # Sample training data is available in this bucket
  training_data_bucket = f"jumpstart-cache-prod-{aws_region}"
  training_data_prefix = "training-datasets/tabular_binary/"
  
  training_dataset_s3_path = f"s3://{training_data_bucket}/{training_data_prefix}/train"
  validation_dataset_s3_path = f"s3://{training_data_bucket}/{training_data_prefix}/validation"
  
  output_bucket = sess.default_bucket()
  output_prefix = "jumpstart-example-tabular-training"
  
  s3_output_location = f"s3://{output_bucket}/{output_prefix}/output"
  
  from sagemaker import hyperparameters
  
  # Retrieve the default hyperparameters for training the model
  hyperparameters = hyperparameters.retrieve_default(
      model_id=train_model_id, model_version=train_model_version
  )
  
  # [Optional] Override default hyperparameters with custom values
  hyperparameters[
      "n_epochs"
  ] = "50"
  print(hyperparameters)
  
  from sagemaker.estimator import Estimator
  from sagemaker.utils import name_from_base
  
  training_job_name = name_from_base(f"built-in-algo-{train_model_id}-training")
  
  # Create SageMaker Estimator instance
  tabular_estimator = Estimator(
      role=aws_role,
      image_uri=train_image_uri,
      source_dir=train_source_uri,
      model_uri=train_model_uri,
      entry_point="transfer_learning.py",
      instance_count=1,
      instance_type=training_instance_type,
      max_run=360000,
      hyperparameters=hyperparameters,
      output_path=s3_output_location
  )
  
  # Launch a SageMaker Training job by passing the S3 path of the training data
  tabular_estimator.fit(
      {
          "training": training_dataset_s3_path,
          "validation": validation_dataset_s3_path,
      }, logs=True, job_name=training_job_name
  )

  Pour plus d'informations sur la façon de configurer le en TabTransformer tant qu'algorithme intégré, consultez les exemples de blocs-notes suivants.

  • Classification tabulaire avec l'algorithme Amazon SageMaker AI TabTransformer

  • Régression tabulaire avec l'algorithme Amazon SageMaker AI TabTransformer