Compila un modello (Amazon SageMaker AI SDK)

Puoi utilizzare l'compile_modelAPI nell'SDK Amazon SageMaker AI per Python per compilare un modello addestrato e ottimizzarlo per hardware di destinazione specifico. L'API deve essere richiamata sull'oggetto dello strumento di valutazione utilizzato durante l'addestramento del modello.

Nota

È necessario impostare la variabile di MMS_DEFAULT_RESPONSE_TIMEOUT ambiente su 500 quando si compila il modello con o. MXNet PyTorch La variabile di ambiente non è necessaria per TensorFlow.

Di seguito è riportato un esempio di come è possibile compilare un modello utilizzando l'oggetto trained_model_estimator:

# Replace the value of expected_trained_model_input below and
# specify the name & shape of the expected inputs for your trained model
# in json dictionary form
expected_trained_model_input = {'data':[1, 784]}

# Replace the example target_instance_family below to your preferred target_instance_family
compiled_model = trained_model_estimator.compile_model(target_instance_family='ml_c5',
        input_shape=expected_trained_model_input,
        output_path='insert s3 output path',
        env={'MMS_DEFAULT_RESPONSE_TIMEOUT': '500'})

Il codice compila il modello, salva il modello ottimizzato in output_path e crea un modello di SageMaker intelligenza artificiale che può essere distribuito su un endpoint. Nella sezione Notebook di esempio di compilazione del modello Neo sono disponibili dei notebook di esempio sull’uso di SDK for Python.