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.
Puoi trasformare un codice di formazione in un ambiente di lavoro esistente e qualsiasi codice di elaborazione dati e set di dati associati in un lavoro di formazione. SageMaker I seguenti taccuini mostrano come personalizzare l'ambiente, le impostazioni del lavoro e altro ancora per un problema di classificazione delle immagini, utilizzando l' XGBoost algoritmo e Hugging Face.
Il notebook quick_start
-
Come personalizzare le impostazioni del processo con un file di configurazione.
-
Come richiamare le funzioni di Python come processi, in modo asincrono.
-
Come personalizzare l'ambiente di runtime del processo introducendo dipendenze aggiuntive.
-
Come utilizzare le dipendenze locali con il metodo della funzione @remote.
I seguenti notebook forniscono esempi di codice aggiuntivi per diversi tipi e implementazioni di problemi di machine learning.
-
Per vedere esempi di codice per utilizzare il decoratore @remote per un problema di classificazione delle immagini, apri il notebook pytorch_mnist.ipynb
. Questo problema di classificazione riconosce le cifre scritte a mano utilizzando il set di dati di esempio del Modified National Institute of Standards and Technology (MNIST). -
Per vedere esempi di codice per l'utilizzo del decoratore @remote per il precedente problema di classificazione delle immagini con uno script, consulta lo script di esempio Pytorch MNIST, train.py.
-
Per vedere come Hugging Face è integrato con un decoratore @remote: apri il notebook huggingface.ipynb.
