Creare la tua SageMaker risorsa Amazon - Marketplace AWS
Creazione del pacchetto modello Creazione del tuo algoritmo

Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.

Creare la tua SageMaker risorsa Amazon

Per pubblicare un pacchetto modello o un prodotto algoritmico, devi creare la rispettiva risorsa del pacchetto modello o della risorsa algoritmica in Amazon SageMaker.

Quando crei una risorsa per un Marketplace AWS prodotto, questa deve essere certificata attraverso una fase di convalida. La fase di convalida richiede la fornitura di dati per testare il pacchetto del modello o la risorsa algoritmica prima che possa essere pubblicata.

Nota

Se non hai ancora creato le immagini per il tuo prodotto e non le hai caricate su Amazon Elastic Container Registry (Amazon ECR), Imballaggio del codice in immagini consulta Caricamento delle immagini e per informazioni su come farlo.

Creazione del pacchetto modello

Di seguito sono riportati i requisiti per la creazione di un pacchetto modello per Marketplace AWS:

Nota

Quanto segue riguarda la creazione di un pacchetto modello di prodotto. Per ulteriori informazioni sui pacchetti modello in SageMaker, vedere Create a Model Package Resource.

Creazione delle risorse del pacchetto modello

Le seguenti procedure illustrano la creazione delle risorse del pacchetto modello.

Fase 1: Creare le risorse del pacchetto modello

  1. Apri la SageMaker console Amazon.

  2. Assicurati di trovarti nella AWS regione da cui desideri pubblicare guardando in alto a destra della pagina. Per la pubblicazione, consulta la Supportato per la pubblicazione Regioni AWS sezione. L'immagine di inferenza che hai caricato su Amazon ECR nei passaggi precedenti deve trovarsi nella stessa regione.

  3. Nel menu di navigazione a sinistra, scegli Pacchetti modello.

  4. Selezionare Crea pacchetto di modelli.

Dopo aver creato il pacchetto, è necessario impostare le specifiche del pacchetto di inferenza.

Fase 2: Impostare le specifiche di inferenza

  1. Fornite un nome per il pacchetto del modello (ad esempio, my-model-package).

  2. Per Location of inference image, inserisci l'URI dell'immagine di inferenza che è stata caricata su Amazon ECR. Puoi recuperare l'URI localizzando l'immagine nella console Amazon ECR.

  3. Se gli artefatti del modello derivanti dall'addestramento sono inclusi nella logica dell'immagine di inferenza, lascia vuota la casella Posizione degli artefatti dei dati del modello. Altrimenti, specifica la posizione completa in Amazon S3 del file compresso (.tar.gz) degli artefatti del modello.

  4. Utilizzando la casella a discesa, scegli i tipi di istanza supportati della tua immagine di inferenza sia per l'inferenza in tempo reale (nota anche come endpoint) che per i lavori di trasformazione in batch.

  5. Seleziona Successivo.

Prima di poter creare e pubblicare il pacchetto modello, è necessaria la convalida per garantire che funzioni come previsto. Ciò richiede l'esecuzione di un processo di trasformazione in batch con i dati di test per l'inferenza forniti dall'utente. Le specifiche di convalida indicano SageMaker come eseguire la convalida.

Fase 3: Impostare le specifiche di convalida

  1. Imposta Pubblica questo pacchetto modello su Sì. Marketplace AWS Se lo imposti su No, non puoi pubblicare questo pacchetto modello in un secondo momento. La scelta di Sì certifica il pacchetto modello per Marketplace AWS e richiede la fase di convalida.

  2. Se è la prima volta che completi questo processo, scegli Crea un nuovo ruolo per il ruolo IAM. Amazon SageMaker utilizza questo ruolo quando distribuisce il tuo pacchetto modello. Ciò include azioni, come estrarre immagini da Amazon ECR e artefatti da Amazon S3. Controlla le impostazioni e scegli Crea ruolo. La creazione di un ruolo qui concede le autorizzazioni descritte dalla policy AmazonSageMakerFullAccessIAM al ruolo che crei.

  3. Modifica il codice JSON nel profilo di convalida. Per informazioni dettagliate sui valori consentiti, consulta. TransformJobDefinition

    1. TransformInput.DataSource.S3Uri: Imposta la posizione in cui vengono archiviati i dati del test per l'inferenza.

    2. TransformInput.ContentType: Specificate il tipo di contenuto dei dati di test (ad esempio application/jsontext/plain,,image/png , o qualsiasi altro valore). SageMaker non convalida i dati di input effettivi. Questo valore viene passato all'endpoint HTTP del contenitore nel valore dell'Content-typeintestazione.

    3. TransformInput.CompressionType: impostato su None se i dati di test per l'inferenza in Amazon S3 non sono compressi.

    4. TransformInput.SplitType: impostato per None passare ogni oggetto in Amazon S3 nel suo insieme per l'inferenza.

    5. TransformOutput.S3OutputPath: Imposta la posizione in cui viene memorizzato l'output dell'inferenza.

    6. TransformOutput.AssembleWith: impostato su None per generare ogni inferenza come oggetti separati in Amazon S3.

  4. Selezionare Crea pacchetto di modelli.

SageMaker estrae l'immagine di inferenza da Amazon ECR, copia eventuali artefatti nel contenitore di inferenza ed esegue un processo di trasformazione in batch utilizzando i dati di test per l'inferenza. Una volta completata la convalida, lo stato diventa Completato.

Nota

La fase di convalida non valuta l'accuratezza del modello con i dati di test. La fase di convalida verifica se il contenitore funziona e risponde come previsto.

Hai completato la creazione delle risorse del prodotto modello. Continua su Pubblicazione del prodotto in Marketplace AWS.

Creazione del tuo algoritmo

Di seguito sono riportati i requisiti per la creazione di un algoritmo per Marketplace AWS:

  • Un'immagine di inferenza, archiviata in Amazon ECR

  • Un'immagine di formazione, archiviata in Amazon ECR

  • I tuoi dati di test per la formazione, archiviati in Amazon S3

  • I tuoi dati di test per l'inferenza, archiviati in Amazon S3

Nota

La procedura dettagliata seguente crea un prodotto algoritmico. Per ulteriori informazioni, consulta Create an Algorithm Resource.

Creazione delle risorse dell'algoritmo

Le seguenti procedure illustrano la creazione delle risorse nel pacchetto di algoritmi.

Fase 1: Creare le risorse dell'algoritmo

  1. Apri la SageMaker console Amazon.

  2. Assicurati di trovarti nella AWS regione da cui desideri pubblicare guardando in alto a destra della pagina (vediSupportato per la pubblicazione Regioni AWS). Le immagini di addestramento e inferenza che hai caricato su Amazon ECR nei passaggi precedenti devono trovarsi nella stessa regione.

  3. Nel menu di navigazione a sinistra, scegli Algoritmi.

  4. Seleziona Crea algoritmo.

Dopo aver creato il pacchetto di algoritmi, è necessario impostare le specifiche per l'addestramento e la messa a punto del modello.

Fase 2: Impostare le specifiche di allenamento e messa a punto

  1. Inserisci il nome dell'algoritmo (ad esempio, my-algorithm).

  2. Per l'immagine di formazione, incolla la posizione URI completa dell'immagine di formazione che è stata caricata su Amazon ECR. Puoi recuperare l'URI localizzando l'immagine nella console Amazon ECR.

  3. Utilizzando il menu a discesa, scegli i tipi di istanze per la formazione supportati dall'immagine di formazione.

  4. Nella sezione Specifiche del canale, aggiungi un canale per ogni set di dati di input supportato dall'algoritmo, fino a 20 canali di sorgenti di input. Per ulteriori informazioni, consulta Configurazione dei dati di input.

  5. Seleziona Successivo.

  6. Se l'algoritmo supporta gli iperparametri e l'ottimizzazione degli iperparametri, è necessario specificare i parametri di ottimizzazione.

  7. Seleziona Successivo.

Nota

Consigliamo vivamente che l'algoritmo supporti l'ottimizzazione degli iperparametri e renda regolabili i parametri appropriati. Ciò consente ai data scientist di ottimizzare i modelli per ottenere i migliori risultati.

Dopo aver impostato gli eventuali parametri di regolazione, è necessario impostare le specifiche per l'immagine di inferenza.

Fase 3: Impostare le specifiche dell'immagine di inferenza

  1. Per l'immagine della posizione di inferenza, incolla l'URI dell'immagine di inferenza che è stata caricata su Amazon ECR. Puoi recuperare l'URI localizzando l'immagine nella console Amazon ECR.

  2. Utilizzando la casella a discesa, scegli i tipi di istanza supportati per la tua immagine di inferenza sia per i lavori di inferenza in tempo reale (nota anche come endpoint) che per i lavori di trasformazione in batch.

  3. Seleziona Successivo.

Prima che l'algoritmo possa essere creato e pubblicato, è necessaria la convalida per garantire che funzioni come previsto. Ciò richiede l'esecuzione sia di un processo di formazione con dati di test per l'addestramento sia di un processo di trasformazione in batch con dati di test per l'inferenza forniti dall'utente. Le specifiche di convalida indicano SageMaker come eseguire la convalida.

Fase 4: Impostare le specifiche di convalida

  1. Imposta Pubblica questo algoritmo Marketplace AWS su Sì. Se lo imposti su No, non potrai pubblicare questo algoritmo in un secondo momento. La scelta di Sì certifica l'algoritmo Marketplace AWS e richiede la specifica di convalida.

  2. Se è la prima volta che crei un pacchetto di machine learning per Marketplace AWS, scegli Crea un nuovo ruolo per il ruolo IAM. Amazon SageMaker utilizza questo ruolo per addestrare l'algoritmo e distribuire il pacchetto modello successivo. Ciò include azioni come l'estrazione di immagini da Amazon ECR, l'archiviazione di artefatti in Amazon S3 e la copia dei dati di addestramento da Amazon S3. Controlla le impostazioni e scegli Crea ruolo. La creazione di un ruolo qui concede le autorizzazioni descritte dalla policy AmazonSageMakerFullAccessIAM al ruolo che crei.

  3. Modifica il file JSON nel profilo di convalida per la definizione del lavoro di formazione. Per ulteriori informazioni sui valori consentiti, consulta. TrainingJobDefinition

    1. InputDataConfig: In questo array JSON, aggiungete un oggetto Channel per ogni canale specificato nella fase di specificazione del training. Per ogni canale, specifica dove sono archiviati i dati dei test per l'allenamento.

    2. OutputDataConfig: Al termine della formazione, gli elementi del modello nel percorso della directory del contenitore di formazione /opt/ml/model/ vengono compressi e copiati su Amazon S3. Specificare la posizione Amazon S3 in cui è archiviato il file compresso (.tar.gz).

  4. Modifica il file JSON nel profilo di convalida per la definizione del processo Transform. Per ulteriori informazioni sui valori consentiti, vedere. TransformJobDefinition

    1. TransformInput.DataSource.S3Uri: Imposta dove vengono archiviati i dati del test per l'inferenza.

    2. TransformInput.ContentType: Specificate il tipo di contenuto dei dati di test. Ad esempio,application/json, text/plainimage/png, o qualsiasi altro valore. Amazon SageMaker non convalida i dati di input effettivi. Questo valore viene passato all'endpoint HTTP del contenitore nel valore dell'Content-typeintestazione.

    3. TransformInput.CompressionType: impostato su None se i dati di test per l'inferenza in Amazon S3 non sono compressi.

    4. TransformInput.SplitType: Scegli come vuoi dividere gli oggetti in S3. Ad esempio, None passa ogni oggetto in Amazon S3 nel suo insieme per l'inferenza. Per maggiori dettagli, SplitTypeconsulta Amazon SageMaker API Reference.

    5. TransformOutput.S3OutputPath: Imposta la posizione in cui è archiviato l'output dell'inferenza.

    6. TransformOutput.AssembleWith: impostato su None per generare ogni inferenza come oggetti separati in Amazon S3.

  5. Scegli Crea pacchetto algoritmico.

SageMaker estrae l'immagine di formazione da Amazon ECR, esegue un processo di test di formazione utilizzando i tuoi dati e archivia gli artefatti del modello in Amazon S3. Quindi estrae l'immagine di inferenza da Amazon ECR, copia gli artefatti da Amazon S3 nel contenitore di inferenza ed esegue un processo di trasformazione in batch utilizzando i dati di test per l'inferenza. Una volta completata la convalida, lo stato passa a Completato.

Nota

La fase di convalida non valuta l'accuratezza dell'addestramento o del modello con i dati del test. La fase di convalida verifica se i contenitori funzionano e rispondono come previsto.

La fase di convalida convalida solo l'elaborazione in batch. Spetta a te verificare che l'elaborazione in tempo reale funzioni con il tuo prodotto.

Hai completato la creazione delle risorse relative al prodotto basato sull'algoritmo. Continua su Pubblicazione del prodotto in Marketplace AWS.