Langkah 1: Buat instance notebook Langkah 2: Buat dan unggah skrip pelatihan Langkah 3: Bangun wadah Langkah 4: Uji wadahnya Langkah 5: Dorong wadah ke Amazon ECR Langkah 6: Bersihkan Sumber Daya Blog dan Studi Kasus

Mengadaptasi wadah pelatihan Anda sendiri

Untuk menjalankan model pelatihan Anda sendiri, buat container Docker menggunakan Amazon SageMaker Training Toolkit melalui instance SageMaker notebook Amazon.

Langkah 1: Buat instance SageMaker notebook

Buka SageMaker konsol Amazon di https://console.aws.amazon.com/sagemaker/.
Di panel navigasi kiri, pilih Notebook, pilih instance Notebook, lalu pilih Buat instance notebook.
Pada halaman Create notebook instance, berikan informasi berikut:
1. Untuk nama instance Notebook, masukkanRunScriptNotebookInstance.
2. Untuk jenis Instance Notebook, pilihml.t2.medium.
3. Di bagian Izin dan enkripsi, lakukan hal berikut:
  1. Untuk Peran IAM, pilih Buat Peran Baru. Ini membuka jendela baru.
  2. Pada halaman Buat peran IAM, pilih bucket S3 Spesifik, tentukan bucket Amazon S3 bernamasagemaker-run-script, lalu pilih Buat peran.
    
    SageMaker menciptakan peran IAM bernamaAmazonSageMaker-ExecutionRole-YYYYMMDDTHHmmSS. Misalnya, AmazonSageMaker-ExecutionRole-20190429T110788. Perhatikan bahwa konvensi penamaan peran eksekusi menggunakan tanggal dan waktu di mana peran itu dibuat, dipisahkan oleh aT.
4. Untuk Akses Root, pilih Aktifkan.
5. Pilih Buat instans notebook.
Pada halaman Instance Notebook, Status Tertunda. Diperlukan beberapa menit bagi Amazon SageMaker untuk meluncurkan instance komputasi pembelajaran mesin—dalam hal ini, Amazon meluncurkan instance notebook—dan melampirkan volume penyimpanan ML ke dalamnya. Instance notebook memiliki server notebook Jupyter yang telah dikonfigurasi sebelumnya dan satu set pustaka Anaconda. Untuk informasi lebih lanjut, lihat CreateNotebookInstance.
Klik pada Nama notebook yang baru saja Anda buat. Ini membuka halaman baru.
Di bagian Izin dan enkripsi, salin nomor ARN peran IAM, dan tempel ke file notepad untuk menyimpannya sementara. Anda menggunakan nomor ARN peran IAM ini nanti untuk mengonfigurasi estimator pelatihan lokal di instance notebook. Nomor ARN peran IAM terlihat seperti berikut: 'arn:aws:iam::111122223333:role/service-role/AmazonSageMaker-ExecutionRole-20190429T110788'
Setelah status instance notebook berubah menjadi InService, pilih Buka JupyterLab.

Langkah 2: Buat dan unggah skrip pelatihan Dockerfile dan Python

Setelah JupyterLab terbuka, buat folder baru di direktori home Anda JupyterLab. Di sudut kiri atas, pilih ikon Folder Baru, lalu masukkan nama folder. docker_test_folder
Buat file Dockerfile teks di docker_test_folder direktori.
1. Pilih ikon Peluncur Baru (+) di sudut kiri atas.
2. Di panel kanan di bawah bagian Lainnya, pilih File Teks.
3. Tempelkan kode Dockerfile contoh berikut ke dalam file teks Anda.
```
#Download an open source TensorFlow Docker image
FROM tensorflow/tensorflow:latest-gpu-jupyter

# Install sagemaker-training toolkit that contains the common functionality necessary to create a container compatible with SageMaker and the Python SDK.
RUN pip3 install sagemaker-training

# Copies the training code inside the container
COPY train.py /opt/ml/code/train.py

# Defines train.py as script entrypoint
ENV SAGEMAKER_PROGRAM train.py
```
  Skrip Dockerfile melakukan tugas-tugas berikut:
  - FROM tensorflow/tensorflow:latest-gpu-jupyter— Mengunduh gambar dasar TensorFlow Docker terbaru. Anda dapat mengganti ini dengan gambar dasar Docker apa pun yang ingin Anda bawa untuk membangun kontainer, serta dengan gambar dasar kontainer yang AWS sudah dibuat sebelumnya.
  - RUN pip install sagemaker-training— Menginstal SageMakerTraining Toolkit yang berisi fungsionalitas umum yang diperlukan untuk membuat wadah yang kompatibel dengan. SageMaker
  - COPY train.py /opt/ml/code/train.py— Menyalin skrip ke lokasi di dalam wadah yang diharapkan oleh SageMaker. Skrip harus berada di folder ini.
  - ENV SAGEMAKER_PROGRAM train.py— Mengambil skrip pelatihan Anda train.py sebagai skrip titik masuk yang disalin di /opt/ml/code folder wadah. Ini adalah satu-satunya variabel lingkungan yang harus Anda tentukan ketika Anda membangun wadah Anda sendiri.
4. Pada panel navigasi direktori kiri, nama file teks mungkin secara otomatis diberi untitled.txt nama. Untuk mengganti nama file, klik kanan file, pilih Ganti nama, ganti nama file Dockerfile tanpa .txt ekstensi, lalu tekan Ctrl+s atau Command+s untuk menyimpan file.

Unggah skrip pelatihan train.py kedocker_test_folder. Anda dapat menggunakan contoh skrip berikut untuk membuat model yang membaca digit tulisan tangan yang dilatih pada dataset MNIST untuk latihan ini.


import tensorflow as tf
import os

mnist = tf.keras.datasets.mnist

(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

model = tf.keras.models.Sequential([
tf.keras.layers.Flatten(input_shape=(28, 28)),
tf.keras.layers.Dense(128, activation='relu'),
tf.keras.layers.Dropout(0.2),
tf.keras.layers.Dense(10, activation='softmax')
])

model.compile(optimizer='adam',
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])

model.fit(x_train, y_train, epochs=1)
model_save_dir = f"{os.environ.get('SM_MODEL_DIR')}/1"

model.evaluate(x_test, y_test)
tf.saved_model.save(model, model_save_dir)

Langkah 3: Bangun wadah

Di direktori JupyterLab home, buka notebook Jupyter. Untuk membuka buku catatan baru, pilih ikon Peluncuran Baru lalu pilih versi terbaru conda_tensorflow2 di bagian Notebook.
Jalankan perintah berikut di sel notebook pertama untuk mengubah ke docker_test_folder direktori:
```
cd ~/SageMaker/docker_test_folder
```
Ini mengembalikan direktori Anda saat ini sebagai berikut:
```
! pwd
```
output: /home/ec2-user/SageMaker/docker_test_folder
Untuk membangun kontainer Docker, jalankan perintah build Docker berikut, termasuk spasi yang diikuti oleh titik di akhir:
```
! docker build -t tf-custom-container-test .
```
Perintah Docker build harus dijalankan dari direktori Docker yang Anda buat, dalam hal ini. docker_test_folder
catatan
Jika Anda mendapatkan pesan kesalahan berikut bahwa Docker tidak dapat menemukan Dockerfile, pastikan Dockerfile memiliki nama yang benar dan telah disimpan ke direktori.
```
unable to prepare context: unable to evaluate symlinks in Dockerfile path: 
lstat /home/ec2-user/SageMaker/docker/Dockerfile: no such file or directory
```
Ingatlah bahwa docker mencari file yang secara khusus dipanggil Dockerfile tanpa ekstensi apa pun dalam direktori saat ini. Jika Anda menamakannya sesuatu yang lain, Anda dapat meneruskan nama file secara manual dengan -f bendera. Misalnya, jika Anda menamai Dockerfile sebagaiDockerfile-text.txt, jalankan perintah berikut:
```
! docker build -t tf-custom-container-test -f Dockerfile-text.txt .
```

Langkah 4: Uji wadahnya

Untuk menguji kontainer secara lokal di instance notebook, buka notebook Jupyter. Pilih Peluncur Baru dan pilih versi terbaru conda_tensorflow2 di bagian Notebook.
Tempelkan contoh skrip berikut ke sel kode notebook untuk mengkonfigurasi SageMaker Estimator.
```
import sagemaker
from sagemaker.estimator import Estimator

estimator = Estimator(image_uri='tf-custom-container-test',
                      role=sagemaker.get_execution_role(),
                      instance_count=1,
                      instance_type='local')

estimator.fit()
```
Dalam contoh kode sebelumnya, sagemaker.get_execution_role() ditentukan untuk role argumen untuk secara otomatis mengambil peran yang disiapkan untuk sesi. SageMaker Anda juga dapat menggantinya dengan nilai string nomor ARN peran IAM yang Anda gunakan saat mengonfigurasi instance notebook. ARN akan terlihat seperti berikut:. 'arn:aws:iam::111122223333:role/service-role/AmazonSageMaker-ExecutionRole-20190429T110788'
Jalankan sel kode. Tes ini menghasilkan konfigurasi lingkungan pelatihan, nilai yang digunakan untuk variabel lingkungan, sumber data, dan kehilangan dan akurasi yang diperoleh selama pelatihan.

Langkah 5: Dorong wadah ke Amazon Elastic Container Registry (Amazon ECR)

Setelah berhasil menjalankan pengujian mode lokal, Anda dapat mendorong wadah Docker ke Amazon ECR dan menggunakannya untuk menjalankan pekerjaan pelatihan. Jika Anda ingin menggunakan registri Docker pribadi alih-alih Amazon ECR, lihat Dorong wadah pelatihan Anda ke registri pribadi.

Jalankan baris perintah berikut di sel notebook.


%%sh

# Specify an algorithm name
algorithm_name=tf-custom-container-test

account=$(aws sts get-caller-identity --query Account --output text)

# Get the region defined in the current configuration (default to us-west-2 if none defined)
region=$(aws configure get region)
region=${region:-us-west-2}

fullname="${account}.dkr.ecr.${region}.amazonaws.com/${algorithm_name}:latest"

# If the repository doesn't exist in ECR, create it.

aws ecr describe-repositories --repository-names "${algorithm_name}" > /dev/null 2>&1
if [ $? -ne 0 ]
then
aws ecr create-repository --repository-name "${algorithm_name}" > /dev/null
fi

# Get the login command from ECR and execute it directly

aws ecr get-login-password --region ${region}|docker login --username AWS --password-stdin ${fullname}

# Build the docker image locally with the image name and then push it to ECR
# with the full name.

docker build -t ${algorithm_name} .
docker tag ${algorithm_name} ${fullname}

docker push ${fullname}

catatan

Skrip bash shell ini dapat menimbulkan masalah izin yang mirip dengan pesan kesalahan berikut:


"denied: User: [ARN] is not authorized to perform: ecr:InitiateLayerUpload on resource:
arn:aws:ecr:us-east-1:[id]:repository/tf-custom-container-test"

Jika kesalahan ini terjadi, Anda harus melampirkan ContainerRegistryFullAccess kebijakan AmazonEC2 ke peran IAM Anda. Buka konsol IAM, pilih Peran dari panel navigasi kiri, cari IamRole yang Anda gunakan untuk instance Notebook. Di bawah tab Izin, pilih tombol Lampirkan kebijakan, dan cari kebijakan AmazonEC2 ContainerRegistryFullAccess. Tandai kotak centang kebijakan, dan pilih Tambahkan izin untuk menyelesaikan.

Jalankan kode berikut di sel notebook Studio untuk memanggil image Amazon ECR dari wadah pelatihan Anda.


import boto3

account_id = boto3.client('sts').get_caller_identity().get('Account')
ecr_repository = 'tf-custom-container-test'
tag = ':latest'

region = boto3.session.Session().region_name

uri_suffix = 'amazonaws.com'
if region in ['cn-north-1', 'cn-northwest-1']:
    uri_suffix = 'amazonaws.com.cn'

byoc_image_uri = '{}.dkr.ecr.{}.{}/{}'.format(account_id, region, uri_suffix, ecr_repository + tag)

byoc_image_uri
# This should return something like
# 111122223333.dkr.ecr.us-east-2.amazonaws.com/sagemaker-byoc-test:latest

Gunakan ecr_image diambil dari langkah sebelumnya untuk mengkonfigurasi objek SageMaker estimator. Contoh kode berikut mengonfigurasi SageMaker estimator dengan byoc_image_uri dan memulai tugas pelatihan pada instans Amazon EC2.

Jika Anda ingin menerapkan model Anda menggunakan wadah Anda sendiri, lihat Mengadaptasi Wadah Inferensi Anda Sendiri. Anda juga dapat menggunakan wadah AWS kerangka kerja yang dapat menerapkan TensorFlow model. Untuk menerapkan model contoh untuk membaca digit tulisan tangan, masukkan skrip contoh berikut ke dalam buku catatan yang sama yang Anda gunakan untuk melatih model Anda di sub-langkah sebelumnya untuk mendapatkan URI gambar (pengidentifikasi sumber daya universal) yang diperlukan untuk penerapan, dan gunakan model.


import boto3
import sagemaker

#obtain image uris
from sagemaker import image_uris
container = image_uris.retrieve(framework='tensorflow',region='us-west-2',version='2.11.0',
                    image_scope='inference',instance_type='ml.g4dn.xlarge')

#create the model entity, endpoint configuration and endpoint
predictor = estimator.deploy(1,instance_type='ml.g4dn.xlarge',image_uri=container)

Uji model Anda menggunakan contoh digit tulisan tangan dari kumpulan data MNIST menggunakan contoh kode berikut.


#Retrieve an example test dataset to test
import numpy as np
import matplotlib.pyplot as plt
from keras.datasets import mnist

# Load the MNIST dataset and split it into training and testing sets
(x_train, y_train), (x_test, y_test) = mnist.load_data()
# Select a random example from the training set
example_index = np.random.randint(0, x_train.shape[0])
example_image = x_train[example_index]
example_label = y_train[example_index]

# Print the label and show the image
print(f"Label: {example_label}")
plt.imshow(example_image, cmap='gray')
plt.show()

Ubah digit tulisan tangan tes menjadi bentuk yang TensorFlow dapat menelan dan membuat prediksi tes.


from sagemaker.serializers import JSONSerializer
data = {"instances": example_image.tolist()}
predictor.serializer=JSONSerializer() #update the predictor to use the JSONSerializer
predictor.predict(data) #make the prediction

Untuk contoh lengkap yang menunjukkan cara menguji container kustom secara lokal dan mendorongnya ke image Amazon ECR, lihat contoh buku catatan Building Your Own TensorFlow Container.

Tip

Untuk membuat profil dan men-debug pekerjaan pelatihan untuk memantau masalah pemanfaatan sistem (seperti kemacetan CPU dan kurangnya pemanfaatan GPU) dan mengidentifikasi masalah pelatihan (seperti overfitting, overtraining, tensor meledak, dan gradien menghilang), gunakan Amazon Debugger. SageMaker Untuk informasi selengkapnya, lihat Gunakan Debugger dengan Wadah Pelatihan Kustom.

Langkah 6: Bersihkan Sumber Daya

Untuk membersihkan sumber daya saat selesai dengan contoh memulai

Buka SageMaker konsol, pilih instance notebook RunScriptNotebookInstance, pilih Actions, dan pilih Stop. Hal ini dapat memerlukan waktu beberapa menit sampai instans berhenti.
Setelah Status instance berubah menjadi Berhenti, pilih Tindakan, pilih Hapus, lalu pilih Hapus di kotak dialog. Diperlukan beberapa menit untuk menghapus instance. Contoh notebook menghilang dari tabel ketika telah dihapus.
Buka konsol Amazon S3 dan hapus bucket yang Anda buat untuk menyimpan artefak model dan kumpulan data pelatihan.
Buka konsol IAM dan hapus peran IAM. Jika Anda membuat kebijakan izin, Anda juga dapat menghapusnya.

catatan
Kontainer Docker mati secara otomatis setelah dijalankan. Anda tidak perlu menghapusnya.

Blog dan Studi Kasus

Blog berikut membahas studi kasus tentang penggunaan wadah pelatihan khusus di Amazon SageMaker.

Mengapa membawa wadah Anda sendiri ke Amazon SageMaker dan bagaimana melakukannya dengan benar, Medium (20 Januari 2023)

Awas Javascript dinonaktifkan atau tidak tersedia di browser Anda.

Untuk menggunakan Dokumentasi AWS, Javascript harus diaktifkan. Lihat halaman Bantuan browser Anda untuk petunjuk.

Konvensi Dokumen

SageMaker Toolkit Pelatihan dan Inferensi

Sesuaikan pekerjaan pelatihan Anda untuk mengakses gambar di registri Docker pribadi