Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
Anda dapat mengubah kode pelatihan di lingkungan ruang kerja yang ada dan kode pemrosesan data serta kumpulan data terkait menjadi SageMaker pekerjaan pelatihan. Notebook berikut menunjukkan cara menyesuaikan lingkungan, pengaturan pekerjaan, dan lainnya untuk masalah klasifikasi gambar, menggunakan XGBoost algoritme dan Hugging Face.
Notebook quick_start
-
Cara menyesuaikan pengaturan pekerjaan Anda dengan file konfigurasi.
-
Cara memanggil fungsi Python sebagai pekerjaan, secara asinkron.
-
Cara menyesuaikan lingkungan runtime pekerjaan dengan membawa dependensi tambahan.
-
Cara menggunakan dependensi lokal dengan metode fungsi @remote.
Notebook berikut memberikan contoh kode tambahan untuk berbagai jenis dan implementasi masalah ML.
-
Untuk melihat contoh kode untuk menggunakan dekorator @remote untuk masalah klasifikasi gambar, buka buku catatan pytorch_mnist.ipynb
. Masalah klasifikasi ini mengenali digit tulisan tangan menggunakan kumpulan data sampel Modified National Institute of Standards and Technology (MNIST). -
Untuk melihat bagaimana XGBoost algoritma diimplementasikan dengan dekorator @remote: Buka notebook xgboost_abalone.ipynb
. -
Untuk melihat bagaimana Hugging Face terintegrasi dengan dekorator @remote: Buka notebook huggingface.ipynb.
