Bagaimana Amazon SageMaker Menyediakan Informasi Pelatihan

Bagian ini menjelaskan cara SageMaker membuat informasi pelatihan, seperti data pelatihan, hiperparameter, dan informasi konfigurasi lainnya, tersedia untuk wadah Docker Anda.

Saat Anda mengirim CreateTrainingJobpermintaan SageMaker untuk memulai pelatihan model, Anda menentukan jalur Amazon Elastic Container Registry (Amazon ECR) Registry ECR) dari image Docker yang berisi algoritme pelatihan. Anda juga menentukan lokasi Amazon Simple Storage Service (Amazon S3) tempat data pelatihan disimpan dan parameter khusus algoritme. SageMaker membuat informasi ini tersedia untuk wadah Docker sehingga algoritma pelatihan Anda dapat menggunakannya. Bagian ini menjelaskan bagaimana kami membuat informasi ini tersedia untuk wadah Docker Anda. Untuk informasi tentang membuat pekerjaan pelatihan, lihatCreateTrainingJob. Untuk informasi selengkapnya tentang cara SageMaker kontainer mengatur informasi, lihatMenggunakan SageMaker Toolkit Pelatihan dan Inferensi .

Hyperparameter

SageMaker membuat hyperparameters dalam CreateTrainingJob permintaan tersedia di wadah Docker dalam file. /opt/ml/input/config/hyperparameters.json

Berikut ini adalah contoh konfigurasi hyperparameter hyperparameters.json untuk menentukan num_round dan eta hyperparameters dalam CreateTrainingJob operasi untuk XGBoost.

{
    "num_round": "128",
    "eta": "0.001"
}            

Untuk daftar lengkap hyperparameters yang dapat digunakan untuk algoritma XGBoost SageMaker bawaan, lihat XGBoost Hyperparameters.

Hiperparameter yang dapat Anda atur bergantung pada algoritme yang Anda latih. Untuk daftar hiperparameter yang tersedia untuk algoritme SageMaker bawaan, temukan yang tercantum di Hyperparameters di bawah tautan algoritme di Gunakan Algoritma SageMaker Bawaan Amazon atau Model Pra-terlatih.

Variabel lingkungan

SageMaker menetapkan variabel lingkungan berikut dalam wadah Anda:

• TRAINING_JOB_NAME - Ditentukan dalam parameter permintaan. TrainingJobName CreateTrainingJob

• TRAINING_JOB_ARN — Nama Sumber Daya Amazon (ARN) dari pekerjaan pelatihan dikembalikan sebagai tanggapan. TrainingJobArn CreateTrainingJob

• Semua variabel lingkungan ditentukan dalam parameter Lingkungan dalam CreateTrainingJob permintaan.

Konfigurasi Data Masukan

SageMaker membuat informasi saluran data dalam InputDataConfig parameter dari CreateTrainingJob permintaan Anda tersedia di /opt/ml/input/config/inputdataconfig.json file di wadah Docker Anda.

Misalnya, Anda menentukan tiga saluran data (train,evaluation, danvalidation) dalam permintaan Anda. SageMakermenyediakan JSON berikut:

{
  "train" : {"ContentType":  "trainingContentType",
             "TrainingInputMode": "File",
             "S3DistributionType": "FullyReplicated",
             "RecordWrapperType": "None"},
  "evaluation" : {"ContentType":  "evalContentType",
                  "TrainingInputMode": "File",
                  "S3DistributionType": "FullyReplicated",
                  "RecordWrapperType": "None"},
  "validation" : {"TrainingInputMode": "File",
                  "S3DistributionType": "FullyReplicated",
                  "RecordWrapperType": "None"}
} 

catatan

SageMaker hanya menyediakan informasi yang relevan tentang setiap saluran data (misalnya, nama saluran dan jenis konten) ke wadah, seperti yang ditunjukkan pada contoh sebelumnya. S3DistributionTypeakan diatur FullyReplicated seolah-olah Anda menentukan EFS atau F SxLustre sebagai sumber data input.

Data Pelatihan

TrainingInputModeParameter dalam AlgorithmSpecification CreateTrainingJobpermintaan menentukan bagaimana kumpulan data pelatihan tersedia untuk penampung Anda. Mode input berikut tersedia.

• Filemodus

  Jika Anda menggunakan File mode sebagai TrainingInputMode nilai Anda, SageMaker tetapkan parameter berikut dalam wadah Anda.

  • TrainingInputModeParameter Anda ditulis inputdataconfig.json sebagai “File”.

  • Direktori saluran data Anda ditulis ke/opt/ml/input/data/channel_name.

  Jika Anda menggunakan File mode, SageMaker buat direktori untuk setiap saluran. Misalnya, jika Anda memiliki tiga saluran bernamatraining,, dan validationtesting, SageMaker membuat tiga direktori berikut dalam wadah Docker Anda:

  • /opt/ml/input/data/training

  • /opt/ml/input/data/validation

  • /opt/ml/input/data/testing

  Filemodus juga mendukung sumber data berikut.

  • Amazon Simple Storage Service (Amazon S3)

  • Amazon Elastic File System (Amazon EFS)

  • Amazon FSx for Lustre

  catatan

  Saluran yang menggunakan sumber data sistem file seperti Amazon EFS dan Amazon FSx harus menggunakan File mode. Dalam hal ini, jalur direktori yang disediakan di saluran dipasang di/opt/ml/input/data/channel_name.

• FastFilemodus

  Jika Anda menggunakan FastFile mode sebagai milik AndaTrainingInputNodeParameter, SageMaker atur parameter berikut dalam wadah Anda.

  • Mirip dengan File FastFile mode, dalam mode, TrainingInputMode parameter Anda ditulis inputdataconfig.json sebagai “File”.

  • Direktori saluran data Anda ditulis ke/opt/ml/input/data/channel_name.

  FastFilemodus mendukung sumber data berikut.

  • Amazon S3

  Jika Anda menggunakan FastFile mode, direktori saluran dipasang dengan izin hanya-baca.

  Secara historis, File mode mendahului FastFile mode. Untuk memastikan kompatibilitas mundur, algoritme yang mendukung File mode juga dapat bekerja dengan mulus dengan FastFile mode selama TrainingInputMode parameter diatur ke dalam. File inputdataconfig.json.

  catatan

  Saluran yang menggunakan FastFile mode harus menggunakan “S3Prefix”. S3DataType

  FastFilemode menyajikan tampilan folder yang menggunakan garis miring maju (/) sebagai pembatas untuk mengelompokkan objek Amazon S3 ke dalam folder. S3Uriawalan tidak harus sesuai dengan nama folder sebagian. Misalnya, jika kumpulan data Amazon S3 berisis3://my-bucket/train-01/data.csv, maka s3://my-bucket/train tidak ada yang s3://my-bucket/train-01 diizinkan sebagai awalan. S3Uri

  Garis miring ke depan disarankan untuk menentukan saluran yang sesuai dengan folder. Misalnya, s3://my-bucket/train-01/ saluran untuk train-01 folder. Tanpa garis miring ke depan, saluran akan menjadi ambigu jika ada folder atau file s3://my-bucket/train-011/ lain. s3://my-bucket/train-01.txt/

• Pipemodus

  • TrainingInputModeparameter ditulis keinputdataconfig.json: “Pipa”

  • Direktori saluran data dalam wadah Docker: /opt/ml/input/data/channel_name_epoch_number

  • Sumber data yang didukung: Amazon S3

  Anda perlu membaca dari pipa terpisah untuk setiap saluran. Misalnya, jika Anda memiliki tiga saluran bernamatraining,validation, dantesting, Anda perlu membaca dari pipa berikut:

  • /opt/ml/input/data/training_0, /opt/ml/input/data/training_1, ...

  • /opt/ml/input/data/validation_0, /opt/ml/input/data/validation_1, ...

  • /opt/ml/input/data/testing_0, /opt/ml/input/data/testing_1, ...

  Baca pipa secara berurutan. Misalnya, jika Anda memiliki saluran yang disebuttraining, baca pipa dalam urutan ini:

  1. Buka /opt/ml/input/data/training_0 dalam mode baca dan baca ke end-of-file (EOF) atau, jika Anda selesai dengan epoch pertama, tutup file pipa lebih awal.

  2. Setelah menutup file pipa pertama, cari /opt/ml/input/data/training_1 dan baca sampai Anda menyelesaikan epoch kedua, dan seterusnya.

  Jika file untuk epoch tertentu belum ada, kode Anda mungkin perlu mencoba lagi sampai pipa dibuat Tidak ada batasan pengurutan di seluruh jenis saluran. Misalnya, Anda dapat membaca beberapa zaman untuk training saluran dan hanya mulai membaca validation saluran saat Anda siap. Atau, Anda dapat membacanya secara bersamaan jika algoritme Anda mengharuskannya.

  Untuk contoh notebook Jupyter yang menunjukkan cara menggunakan mode Pipa saat membawa wadah Anda sendiri, lihat Membawa algoritme mode pipa Anda sendiri ke Amazon. SageMaker

SageMaker pelatihan model mendukung bucket direktori S3 Express One Zone berkinerja tinggi sebagai lokasi input data untuk mode file, mode file cepat, dan mode pipa. Untuk menggunakan S3 Express One Zone, masukkan lokasi bucket direktori S3 Express One Zone, bukan bucket tujuan umum Amazon S3. Berikan ARN untuk peran IAM dengan kontrol akses dan kebijakan izin yang diperlukan. Lihat AmazonSageMakerFullAccesspolicyuntuk detailnya. Untuk informasi selengkapnya, lihat S3 Express One Zone.

Konfigurasi Pelatihan Terdistribusi

Jika Anda melakukan pelatihan terdistribusi dengan beberapa kontainer, SageMaker buat informasi tentang semua kontainer tersedia dalam /opt/ml/input/config/resourceconfig.json file.

Untuk mengaktifkan komunikasi antar kontainer, file JSON ini berisi informasi untuk semua kontainer. SageMaker membuat file ini tersedia untuk algoritme Pipe mode File dan keduanya. File ini memberikan informasi berikut:

• current_host—Nama kontainer saat ini di jaringan kontainer. Misalnya, algo-1. Nilai host dapat berubah kapan saja. Jangan menulis kode dengan nilai spesifik untuk variabel ini.

• hosts—Daftar nama semua kontainer di jaringan kontainer, diurutkan secara leksikografis. Misalnya, ["algo-1", "algo-2", "algo-3"] untuk cluster tiga simpul. Kontainer dapat menggunakan nama-nama ini untuk menangani kontainer lain di jaringan kontainer. Nilai host dapat berubah kapan saja. Jangan menulis kode dengan nilai spesifik untuk variabel-variabel ini.

• network_interface_name—Nama antarmuka jaringan yang terpapar ke wadah Anda. Misalnya, kontainer yang menjalankan Message Passing Interface (MPI) dapat menggunakan informasi ini untuk mengatur nama antarmuka jaringan.

• Jangan gunakan informasi di dalam /etc/hostname atau /etc/hosts karena mungkin tidak akurat.

• Informasi nama host mungkin tidak segera tersedia untuk wadah algoritme. Sebaiknya tambahkan kebijakan coba lagi pada operasi resolusi nama host saat node tersedia di klaster.

Berikut ini adalah contoh file pada node 1 dalam cluster tiga node:

{
    "current_host": "algo-1",
    "hosts": ["algo-1","algo-2","algo-3"],
    "network_interface_name":"eth1"
}