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.
Esempi e ulteriori informazioni: usa il tuo algoritmo o modello
I seguenti notebook Jupyter e le informazioni aggiuntive mostrano come utilizzare i propri algoritmi o modelli preaddestrati da un'istanza di Amazon Notebook. SageMaker Per i collegamenti ai GitHub repository con i Dockerfile predefiniti per TensorFlow MXNet, Chainer e i PyTorch framework e le istruzioni sull'uso degli AWS SDK for Python (Boto3) estimatori per eseguire i propri algoritmi di addestramento su Learner e i propri modelli sull'hosting, vedere SageMaker SageMaker Immagini SageMaker Docker predefinite per il deep learning
Installazione
-
Crea un'istanza di notebook. SageMaker Per istruzioni su come creare e accedere a istanze notebook Jupyter, consulta Istanze Amazon SageMaker Notebook.
-
Apri l'istanza notebook creata.
-
Scegli la scheda SageMaker Esempi per un elenco di tutti i SageMaker taccuini di esempio.
-
Apri i taccuini di esempio dalla sezione Funzionalità avanzate dell'istanza del notebook o utilizzando i link forniti. GitHub Per aprire un notebook, seleziona la relativa scheda Utilizza, quindi scegli Crea copia.
Ospita modelli addestrati in Scikit-learn
Per sapere come ospitare modelli addestrati in Scikit-learn per fare previsioni SageMaker iniettandoli in contenitori k-means e XGBoost di prima parte, guarda i seguenti notebook di esempio.
Modelli Package TensorFlow e Scikit-learn da utilizzare in SageMaker
Per imparare a impacchettare gli algoritmi che hai sviluppato e i framework scikit-learn per l'addestramento TensorFlow e l'implementazione nell'ambiente, consulta i seguenti taccuini. SageMaker Questi mostrano come compilare, registrare e distribuire i container Docker utilizzando Dockerfile.
Addestra e implementa una rete neurale su SageMaker
Per informazioni su come addestrare una rete neurale localmente utilizzando MXNet TensorFlow o, quindi, creare un endpoint dal modello addestrato e distribuirlo, consultate i seguenti SageMaker notebook. Il modello MXNet è sottoposto a training per riconoscere i numeri scritti a mano dal dataset MNIST. Il modello è addestrato a classificare le iridi. TensorFlow
Addestramento in modalità pipe
Per ulteriori informazioni su come utilizzare un Dockerfile per compilare un container che chiama lo train.py script e utilizza la modalità pipe per eseguire il training personalizzato di un algoritmo, consulta i seguenti notebook. In modalità pipe, i dati di input vengono trasferiti all'algoritmo durante il training dello stesso. Questo consente di ridurre il tempo di training rispetto all'utilizzo della modalità file.
Usa il tuo modello R
Per informazioni su come utilizzare l'aggiunta di un'immagine R personalizzata per creare e addestrare un modello in un notebook AWS SMS
, consulta il seguente post del blog. Questo post del blog utilizza un Dockerfile R di esempio da una libreria di esempi di immagini personalizzate di SageMaker Studio Classic
Estendi un'immagine del PyTorch contenitore preconfigurata
Per sapere come estendere un'immagine di SageMaker PyTorch contenitore precostruita quando hai requisiti funzionali aggiuntivi per il tuo algoritmo o modello che l'immagine Docker precostruita non supporta, consulta il seguente taccuino.
Per ulteriori informazioni sull'estensione di un container, consulta Estendere un container predefinito.
Addestra ed esegui il debug di processi di addestramento su un container personalizzato
Per informazioni su come addestrare ed eseguire il debug dei lavori di formazione utilizzando SageMaker Debugger, consulta il seguente taccuino. Uno script di formazione fornito tramite questo esempio utilizza il modello TensorFlow Keras ResNet 50 e il set di dati CIFAR10. Un container personalizzato Docker viene creato con lo script di addestramento e inviato ad Amazon ECR. Durante l'esecuzione del processo di addestramento, Debugger raccoglie gli output dei tensori e identifica i problemi di debug. Con gli strumenti della libreria client smdebug, puoi impostare un oggetto di prova smdebug che richiama il processo di addestramento e le informazioni di debug, controlla lo stato delle regole di addestramento e Debugger e recupera i tensori salvati in un bucket Amazon S3 per analizzare i problemi di addestramento.
