Modelli e notebook condivisi

Importante

A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l'utilizzo dell'applicazione Studio Classic. Per informazioni sull'utilizzo dell'esperienza Studio aggiornata, consultaAmazon SageMaker Studio.

Condividi modelli e notebook per centralizzare gli elementi dei modelli, facilitarne la reperibilità e aumentare il riutilizzo dei modelli all'interno dell'organizzazione. Quando condividi i tuoi modelli, puoi fornire informazioni sull'ambiente di addestramento e inferenza e consentire ai collaboratori di utilizzare questi ambienti per i propri processi di addestramento e inferenza.

Tutti i modelli che condividi e i modelli condivisi con te sono ricercabili in una posizione centralizzata direttamente in Amazon SageMaker Studio Classic. Per informazioni sui passaggi di onboarding per accedere ad Amazon SageMaker Studio Classic, consulta Onboard to Amazon Domain. SageMaker

Accedi a modelli e notebook condivisi

Per accedere ai tuoi contenuti condivisi, scegli Modelli condivisi nel riquadro di navigazione a sinistra dell'interfaccia utente di Amazon SageMaker Studio Classic.

Aggiungi contenuti condivisi

Puoi condividere modelli o notebook tramite la sezione Modelli condivisi dell'interfaccia utente di Studio Classic. Per ulteriori informazioni su ciascuna fase, consulta Condividi modelli e notebook tramite l'interfaccia utente di Studio Classic.

Filtra i contenuti condivisi

Esistono tre opzioni principali per filtrare modelli e notebook condivisi:

1. Condivisi da me: modelli e taccuini che hai condiviso con me o con Canvas. JumpStart SageMaker

2. Condivisi con me: modelli e notebook condivisi con te

3. Condivisi dalla mia organizzazione: tutti i modelli e i notebook condivisi con tutti i membri dell'organizzazione

Puoi anche ordinare i modelli e i notebook in base all'ora in cui sono stati aggiornati l'ultima volta o in ordine alfabetico crescente o decrescente. Scegli l'icona del filtro ( ) per ordinare ulteriormente le selezioni.

Condividi modelli tabulari con SageMaker gli utenti di Canvas

Oltre a condividere modelli con la tua organizzazione, puoi anche condividere modelli con collaboratori che utilizzano SageMaker Canvas. Se condividi modelli SageMaker su Canvas, i tuoi collaboratori possono importare tali modelli in SageMaker Canvas e utilizzarli per generare previsioni.

Importante

Importante: puoi condividere solo modelli tabulari su Canvas. SageMaker

Puoi filtrare i modelli e i taccuini condivisi da e verso SageMaker Canvas selezionando l'icona del filtro ( ) nelle schede Condivisi da me o Condivisi con me. Per ulteriori informazioni su come condividere un modello su SageMaker Canvas, consulta Bring Your Own Model Into Canvas.

Condividi modelli e notebook tramite l'interfaccia utente di Studio Classic

Per condividere modelli e notebook, vai alla sezione Modelli condivisi in Amazon SageMaker Studio Classic, scegli Condivisi dalla mia organizzazione, quindi seleziona l'elenco a discesa Aggiungi. Scegli di aggiungere un modello o aggiungere un notebook.

Aggiungi un modello

Per aggiungere un modello, scegli Condiviso dalla mia organizzazione, quindi seleziona Aggiungi modello dall'elenco a discesa Aggiungi. Inserisci le informazioni di base per il tuo modello e aggiungi tutte le informazioni di addestramento o inferenza che desideri condividere con i collaboratori per addestrare o implementare il tuo modello. Dopo aver inserito tutte le informazioni necessarie, scegli Aggiungi modello nell'angolo in basso a destra.

Informazioni di base

Per prima cosa, aggiungi le informazioni descrittive di base sul tuo modello. Queste informazioni vengono utilizzate per migliorare la ricercabilità del modello.

1. Aggiungi un titolo per questo modello. L'aggiunta di un titolo compila automaticamente un identificatore univoco nel campo ID in base al titolo del modello.

2. Aggiungi una descrizione del modello.

3. Seleziona un tipo di dati dalle opzioni: testo, visione, tabella o audio.

4. Seleziona un'attività di machine learning dall'elenco delle attività disponibili, come la classificazione delle immagini o la generazione di testo.

5. Seleziona un framework di machine learning.

6. Aggiungi informazioni sui metadati con parole chiave o frasi da utilizzare durante la ricerca di un modello. Usa le virgole per separare le parole chiave. Tutti gli spazi vengono sostituiti automaticamente con virgole.

Attivazione dell’addestramento

Quando aggiungi un modello da condividere, puoi facoltativamente fornire un ambiente di addestramento e consentire ai collaboratori dell'organizzazione di addestrare il modello condiviso.

Nota

Se stai aggiungendo un modello tabulare, devi anche specificare un formato di colonna e una colonna di destinazione per abilitare l’addestramento. Per ulteriori informazioni, consulta Amazon SageMaker Canvas nella Amazon SageMaker Developer Guide.

1. Aggiungi un container da utilizzare per l'addestramento dei modelli. Puoi selezionare un contenitore utilizzato per un lavoro di formazione esistente, portare il tuo contenitore in Amazon ECR o utilizzare un Amazon SageMaker Deep Learning Container.

2. Aggiungi variabili di ambiente

3. Fornisci una posizione per lo script di addestramento.

4. Fornisci un punto di ingresso in modalità script.

5. Fornisci un Amazon S3 URI per gli artefatti del modello generati durante la formazione.

6. Fornisci Amazon S3 URI al set di dati di addestramento predefinito.

7. Fornisci un percorso di output del modello. Il percorso di output del modello deve essere il URI percorso Amazon S3 per tutti gli artefatti del modello generati dall'addestramento. SageMaker salva gli artefatti del modello come un singolo TAR file compresso in Amazon S3.

8. Fornisci un set di dati di convalida da utilizzare per valutare il modello durante l'addestramento. I set di dati di convalida devono contenere lo stesso numero di colonne e le stesse intestazioni di funzionalità del set di dati di addestramento.

9. Attiva l'isolamento della rete. L'isolamento di rete isola il container del modello in modo che non sia possibile effettuare chiamate di rete in entrata o in uscita da o verso il container del modello.

10. Fornisci canali di formazione attraverso i quali SageMaker accedere ai tuoi dati. Ad esempio, puoi specificare canali di input denominati train o test. Per ogni canale, specifica un nome di canale e una URI alla posizione dei dati. Scegli Sfoglia per cercare le sedi Amazon S3.

11. Fornisci iperparametri. Aggiungi eventuali iperparametri con cui i collaboratori dovrebbero sperimentare durante l’addestramento. Fornisci un intervallo di valori validi per questi iperparametri. Questo intervallo viene utilizzato per addestrare la convalida degli iperparametri del processo. È possibile definire intervalli in base al tipo di dati dell'iperparametro.

12. Selezione di un tipo di istanza. Consigliamo un'GPUistanza con più memoria per l'allenamento con batch di grandi dimensioni. Per un elenco completo delle istanze di SageMaker formazione AWS nelle diverse regioni, consulta la tabella dei prezzi on demand in Amazon SageMaker Pricing.

13. Fornisci parametri. Definisci i parametri per un processo di addestramento specificando un nome e un'espressione regolare per ogni parametro monitorato dall’addestramento. Progetta le espressioni regolari per acquisire i valori dei parametri emessi dall'algoritmo. Ad esempio, il parametro loss potrebbe avere l'espressione regolare "Loss =(.*?);".

Abilita l’implementazione

Quando aggiungi un modello da condividere, puoi facoltativamente fornire un ambiente di inferenza in cui i collaboratori dell'organizzazione possano implementare il modello condiviso per l'inferenza.

1. Aggiungi un container da utilizzare per l'inferenza. Puoi portare il tuo container in Amazon ECR o utilizzare un Amazon SageMaker Deep Learning Container.

2. Fornisci Amazon S3 URI a uno script di inferenza. Gli script di inferenza personalizzati vengono eseguiti all'interno del container scelto. Lo script di inferenza dovrebbe includere una funzione per il caricamento del modello e, facoltativamente, funzioni per la generazione di previsioni e l'elaborazione di input e output. Per ulteriori informazioni sulla creazione di script di inferenza per il framework di tua scelta, consulta Frameworks nella documentazione di Python. SageMaker SDK Ad esempio, per TensorFlow, vedi Come implementare i gestori di pre e/o post-elaborazione.

3. Fornisci un Amazon S3 URI per gli artefatti del modello. Gli artefatti del modello sono l'output che risulta dall'addestramento di un modello e in genere sono costituiti da parametri addestrati, una definizione del modello che descrive come calcolare le inferenze e altri metadati. Se hai addestrato il tuo modello SageMaker, gli artefatti del modello vengono salvati come un unico TAR file compresso in Amazon S3. Se hai addestrato il tuo modello all'esterno SageMaker, devi creare questo singolo TAR file compresso e salvarlo in una posizione Amazon S3.

4. Selezione di un tipo di istanza. Consigliamo un'GPUistanza con più memoria per l'allenamento con batch di grandi dimensioni. Per un elenco completo delle istanze di SageMaker formazione AWS nelle diverse regioni, consulta la tabella dei prezzi on demand in Amazon SageMaker Pricing.

Aggiungi un notebook

Per aggiungere un notebook, scegli Condiviso dalla mia organizzazione, quindi seleziona Aggiungi notebook dall'elenco a discesa Aggiungi. Inserisci le informazioni di base per il tuo notebook e fornisci un Amazon S3 URI per l'ubicazione di quel notebook.

Informazioni di base

Per prima cosa, aggiungi le informazioni descrittive di base sul tuo notebook. Queste informazioni vengono utilizzate per migliorare la ricercabilità del notebook.

1. Aggiungi un titolo per questo notebook. L'aggiunta di un titolo compila automaticamente un identificatore univoco nel campo ID in base al titolo del notebook.

2. Aggiungi una descrizione del notebook.

3. Seleziona un tipo di dati dalle opzioni: testo, visione, tabella o audio.

4. Seleziona un'attività ML dall'elenco delle attività disponibili, come la classificazione delle immagini o la generazione di testo.

5. Seleziona un framework ML.

6. Aggiungi informazioni sui metadati con parole chiave o frasi da utilizzare durante la ricerca di un notebook. Usa le virgole per separare le parole chiave. Tutti gli spazi vengono sostituiti automaticamente con virgole.

Aggiungi un notebook

Fornisci un Amazon S3 URI per l'ubicazione di quel notebook. Puoi scegliere Sfoglia per cercare tra i bucket Amazon S3 la posizione del file del tuo notebook. Dopo aver trovato il notebook, copia Amazon S3URI, scegli Annulla, quindi aggiungi Amazon URI S3 al campo Notebook Location.

Dopo aver inserito tutte le informazioni necessarie, scegli Aggiungi notebook nell'angolo in basso a destra.