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.
Esegui il tuo codice locale come processo SageMaker di formazione
Puoi eseguire il codice Python locale di machine learning (ML) come un grande processo di formazione SageMaker Amazon a nodo singolo o come più processi paralleli. È possibile farlo annotando il codice con un decoratore @remote, come mostrato nel seguente esempio di codice. L'addestramento distribuito (tra più istanze) non è supportato con le funzioni remote.
@remote(**settings) def divide(x, y): return x / y
L'SDK SageMaker Python tradurrà automaticamente l'ambiente di lavoro esistente e qualsiasi codice di elaborazione dati e set di dati associati in un processo di formazione che viene eseguito sulla piattaforma di SageMaker formazione. SageMaker È inoltre possibile attivare una funzionalità di cache persistente, che ridurrà ulteriormente la latenza di avvio del processo memorizzando nella cache i pacchetti di dipendenze precedentemente scaricati. Questa riduzione della latenza del lavoro è maggiore della riduzione della latenza derivante dall'utilizzo esclusivo di pool caldi gestiti. SageMaker Per ulteriori informazioni, consulta Utilizzo della cache persistente.
Nota
I processi di addestramento distribuiti non sono supportati dalle funzioni remote.
Nelle sezioni seguenti si mostra come annotare il codice ML locale con un decoratore @remote e personalizzare l'esperienza in base al caso d'uso. Ciò include la personalizzazione dell'ambiente e l'integrazione con Experiments. SageMaker
Argomenti
- Configurazione dell'ambiente
- Richiamare una funzione
- File di configurazione
- Personalizzazione dell'ambiente di runtime
- Compatibilità dell'immagine del container
- Registrazione di parametri e metriche con Amazon Experiments SageMaker
- Utilizzo del codice modulare con il decoratore @remote
- Repository privato per le dipendenze di runtime
- Notebook di esempio
Configurazione dell'ambiente
Seleziona una delle seguenti tre opzioni per configurare il tuo ambiente.
Puoi annotare ed eseguire il codice ML locale da SageMaker Studio Classic creando un SageMaker Notebook e allegando qualsiasi immagine disponibile nell'immagine di SageMaker Studio Classic. Le seguenti istruzioni ti aiutano a creare un SageMaker Notebook, installare l'SDK SageMaker Python e annotare il codice con il decoratore.
-
Crea un SageMaker taccuino e allega un'immagine in SageMaker Studio Classic come segue:
-
Segui le istruzioni in Launch Amazon SageMaker Studio Classic nella Amazon SageMaker Developer Guide.
-
Seleziona Studio dal riquadro di navigazione a sinistra. Si apre una nuova finestra.
-
Nella finestra di dialogo Inizia, seleziona un profilo utente dalla freccia rivolta verso il basso. Si apre una nuova finestra.
-
Seleziona Open Studio Classic.
-
Seleziona Apri utilità di avvio dall'area di lavoro principale. Viene aperta una nuova pagina.
-
Seleziona Crea notebook dall'area di lavoro principale.
-
Seleziona Base Python 3.0 dalla freccia rivolta verso il basso accanto a Immagine nella finestra di dialogo Cambia ambiente.
Il decoratore @remote rileva automaticamente l'immagine allegata al notebook SageMaker Studio Classic e la utilizza per eseguire il processo di SageMaker formazione. Se
image_uri
viene specificato come argomento nel decoratore o nel file di configurazione, verrà utilizzato il valore specificato inimage_uri
al posto dell'immagine rilevata.Per ulteriori informazioni su come creare un notebook in SageMaker Studio Classic, consulta la sezione Creare un notebook dal menu File in Creare o aprire un notebook Amazon SageMaker Studio Classic.
Per un elenco delle immagini disponibili, consulta Supported Docker images.
-
-
Installa l' SageMaker SDK Python.
Per annotare il codice con la funzione @remote all'interno di uno SageMaker Studio Classic Notebook, devi avere installato SageMaker Python SDK. Installa SageMaker Python SDK, come mostrato nel seguente esempio di codice.
!pip install sagemaker
-
Usa @remote decorator per eseguire funzioni in un SageMaker processo di formazione.
Per eseguire il codice ML locale, create innanzitutto un file di dipendenze per indicare SageMaker dove collocare il codice locale. A tale scopo, procedi nel modo seguente:
-
Dall'area di lavoro principale di SageMaker Studio Classic Launcher, in Utilità e file, scegliete File di testo. Si apre una nuova scheda con un file di testo denominato
untitled.txt.
Per ulteriori informazioni sull'interfaccia utente (UI) di SageMaker Studio Classic, consulta Panoramica dell'interfaccia utente di Amazon SageMaker Studio Classic.
-
Rinomina
untitled.txt
inrequirements.txt
. -
Aggiungi tutte le dipendenze richieste per il codice insieme alla SageMaker libreria a
requirements.txt
.Un esempio di codice minimo
requirements.txt
per la funzionedivide
di esempio è illustrato nella sezione seguente, come segue.sagemaker
-
Esegui il codice con il decoratore remoto trasmettendo il file delle dipendenze, come segue.
from sagemaker.remote_function import remote @remote(instance_type="ml.m5.xlarge", dependencies='./requirements.txt') def divide(x, y): return x / y divide(2, 3.0)
Per ulteriori esempi di codice, consulta il notebook di esempio quick_start.ipynb.
Se utilizzi già un notebook SageMaker Studio Classic e installi Python SDK come indicato in 2. Installa l'SDK SageMaker Python, devi riavviare il kernel. Per ulteriori informazioni, consulta Usare la barra degli strumenti di SageMaker Studio Classic Notebook nella Amazon SageMaker Developer Guide.
-
Puoi annotare il codice ML locale da un'istanza di SageMaker notebook. Le seguenti istruzioni mostrano come creare un'istanza di notebook con un kernel personalizzato, installare SageMaker Python SDK e annotare il codice con il decoratore.
-
Crea un'istanza di notebook con un kernel
conda
personalizzato.Puoi annotare il tuo codice ML locale con un decoratore @remote da utilizzare all'interno di un lavoro di formazione. SageMaker Per prima cosa devi creare e personalizzare un'istanza di SageMaker notebook per usare un kernel con Python versione 3.7 o successiva, fino alla 3.10.x. A tale scopo, procedi nel modo seguente:
-
Apri la console all'indirizzo https://console.aws.amazon.com/sagemaker/. SageMaker
-
Nel pannello di navigazione a sinistra, scegli Notebook per ampliare le opzioni.
-
Scegli Istanze del notebook dalle opzioni espanse.
-
Scegli il pulsante Crea istanza del notebook. Si apre una nuova pagina.
-
Per Nome dell'istanza del notebook, immetti un nome con un massimo di 63 caratteri e senza spazi. I caratteri validi sono: A-Z, a-z, 0-9 e .:+=@ _%- (trattino).
-
Nella finestra di dialogo Impostazioni istanza del notebook, espandi la freccia destra accanto a Configurazione aggiuntiva.
-
In Configurazione ciclo di vita (facoltativo), espandi la freccia rivolta verso il basso e seleziona Crea una nuova configurazione del ciclo di vita. Si apre una nuova finestra di dialogo.
-
In Nome immetti un nome per l'impostazione di avvio.
-
Nella finestra di dialogo Script, nella scheda Avvia notebook, sostituisci il contenuto esistente della casella di testo con lo script seguente.
#!/bin/bash set -e sudo -u ec2-user -i <<'EOF' unset SUDO_UID WORKING_DIR=/home/ec2-user/SageMaker/custom-miniconda/ source "$WORKING_DIR/miniconda/bin/activate" for env in $WORKING_DIR/miniconda/envs/*; do BASENAME=$(basename "$env") source activate "$BASENAME" python -m ipykernel install --user --name "$BASENAME" --display-name "Custom ($BASENAME)" done EOF echo "Restarting the Jupyter server.." # restart command is dependent on current running Amazon Linux and JupyterLab CURR_VERSION_AL=$(cat /etc/system-release) CURR_VERSION_JS=$(jupyter --version) if [[ $CURR_VERSION_JS == *$"jupyter_core : 4.9.1"* ]] && [[ $CURR_VERSION_AL == *$" release 2018"* ]]; then sudo initctl restart jupyter-server --no-wait else sudo systemctl --no-block restart jupyter-server.service fi
-
Nella finestra di dialogo Script, nella scheda Crea notebook, sostituisci il contenuto esistente della casella di testo con lo script seguente.
#!/bin/bash set -e sudo -u ec2-user -i <<'EOF' unset SUDO_UID # Install a separate conda installation via Miniconda WORKING_DIR=/home/ec2-user/SageMaker/custom-miniconda mkdir -p "$WORKING_DIR" wget https://repo.anaconda.com/miniconda/Miniconda3-4.6.14-Linux-x86_64.sh -O "$WORKING_DIR/miniconda.sh" bash "$WORKING_DIR/miniconda.sh" -b -u -p "$WORKING_DIR/miniconda" rm -rf "$WORKING_DIR/miniconda.sh" # Create a custom conda environment source "$WORKING_DIR/miniconda/bin/activate" KERNEL_NAME="custom_python310" PYTHON="3.10" conda create --yes --name "$KERNEL_NAME" python="$PYTHON" pip conda activate "$KERNEL_NAME" pip install --quiet ipykernel # Customize these lines as necessary to install the required packages EOF
-
Scegli il pulsante Crea configurazione in basso a destra nella finestra.
-
Scegli il pulsante Crea istanza del notebook in basso a destra nella finestra.
-
Attendi che lo stato dell'istanza del notebook passi da In sospeso a InService.
-
-
Creazione di un notebook Jupyter nell'istanza del notebook.
Le seguenti istruzioni mostrano come creare un notebook Jupyter usando Python 3.10 nell'istanza appena creata. SageMaker
-
Dopo aver impostato lo stato dell'istanza del notebook del passaggio precedente, procedi come segue: InService
-
Seleziona Apri Jupyter in Azioni nella riga contenente il nome dell'istanza del notebook Nome appena creata. Si apre un nuovo server Jupyter.
-
-
Nel server Jupyter, seleziona Nuovo dal menu in alto a destra.
-
Dalla freccia rivolta verso il basso, seleziona conda_custom_python310. Così facendo, viene creato un nuovo notebook Jupyter che utilizza un kernel Python 3.10. Questo nuovo notebook Jupyter può ora essere usato in modo simile a un notebook Jupyter locale.
-
-
Installa l' SageMaker SDK Python.
Dopo l'esecuzione dell'ambiente virtuale, installa SageMaker Python SDK utilizzando il seguente esempio di codice.
!pip install sagemaker
-
Usa un decoratore @remote per eseguire funzioni in un SageMaker processo di formazione.
Quando annotate il codice ML locale con un decoratore @remote all'interno del SageMaker taccuino, la SageMaker formazione interpreterà automaticamente la funzione del codice e lo eseguirà come un SageMaker lavoro di formazione. Configura il notebook effettuando le seguenti operazioni:
-
Seleziona il nome del kernel nel menu del notebook dall'istanza del SageMaker notebook che hai creato nel passaggio 1, Crea un'istanza SageMaker Notebook con un kernel personalizzato.
Per ulteriori informazioni, consulta Change an Image or a Kernel.
-
Dalla freccia rivolta verso il basso, scegli un kernel
conda
personalizzato che utilizza una versione di Python 3.7 o superiore.Ad esempio, selezionando
conda_custom_python310
, viene scelto il kernel per Python 3.10. -
Scegli Seleziona.
-
Attendi che lo stato del kernel venga visualizzato come inattivo, a indicare che il kernel è stato avviato.
-
Nella pagina iniziale del server Jupyter, seleziona Nuovo dal menu in alto a destra.
-
Accanto alla freccia rivolta verso il basso, seleziona File di testo. Così facendo, viene creato un nuovo file di testo denominato
untitled.txt.
-
Rinomina
untitled.txt
inrequirements.txt
e aggiungi le eventuali dipendenze richieste per il codice insieme asagemaker
. -
Esegui il codice con il decoratore remoto trasmettendo il file delle dipendenze, come mostrato di seguito.
from sagemaker.remote_function import remote @remote(instance_type="
ml.m5.xlarge
", dependencies='./requirements.txt') def divide(x, y): return x / y divide(2, 3.0)Per ulteriori esempi di codice, consulta il notebook di esempio quick_start.ipynb.
-
È possibile annotare il codice ML locale con un decoratore @remote all'interno dell'IDE locale preferito. Le fasi seguenti mostrano i prerequisiti necessari, come installare Python SDK e come annotare il codice con il decoratore @remote.
-
Installa i prerequisiti impostando AWS Command Line Interface (AWS CLI) e creando un ruolo, come segue:
-
Effettua l'onboarding su un SageMaker dominio seguendo le istruzioni nella sezione AWS CLI Prerequisiti di Configurare Amazon SageMaker Prerequisites.
-
Crea un ruolo IAM seguendo la sezione Create execution role di Roles. SageMaker
-
-
Crea un ambiente virtuale utilizzando PyCharm o
conda
e utilizzando Python versione 3.7 o successiva, fino alla 3.10.x.-
Configura un ambiente virtuale utilizzando quanto segue: PyCharm
-
Seleziona File dal menu principale.
-
Scegli Nuovo progetto.
-
Scegli Conda dalla freccia rivolta verso il basso in Nuovo ambiente utilizzando.
-
Nel campo relativo alla versione Python, usa la freccia rivolta verso il basso per selezionare una versione di Python 3.7 o superiore. È possibile andare fino alla versione 3.10.x dall'elenco.
-
-
Se è stato installato Anaconda, è possibile configurare un ambiente virtuale usando
conda
, come segue:-
Apri un'interfaccia di terminale del prompt di Anaconda.
-
Crea e attiva un nuovo ambiente
conda
usando la versione Python 3.7 o successiva, fino alla versione 3.10x. L'esempio di codice seguente mostra come creare un ambienteconda
utilizzando Python versione 3.10.conda create -n
sagemaker_jobs_quick_start
python=3.10 pip conda activatesagemaker_jobs_quick_start
-
-
-
Installa l' SageMaker SDK Python.
Per impacchettare il codice dall'IDE preferito è necessario disporre di un ambiente virtuale configurato usando Python 3.7 o le versioni successive, fino alla 3.10x. È inoltre necessaria un'immagine del container compatibile. Installa SageMaker Python SDK usando il seguente esempio di codice.
pip install sagemaker
-
Racchiudi il codice all'interno del decoratore @remote. L'SDK SageMaker Python interpreterà automaticamente la funzione del codice e la eseguirà come processo di SageMaker formazione. I seguenti esempi di codice mostrano come importare le librerie necessarie, impostare una SageMaker sessione e annotare una funzione con il decoratore @remote.
È possibile eseguire il codice fornendo direttamente le dipendenze necessarie o utilizzando le dipendenze dall'ambiente
conda
attivo.-
Per fornire direttamente le dipendenze, procedi come segue:
-
Crea un file
requirements.txt
nella directory di lavoro in cui risiede il codice. -
Aggiungi tutte le dipendenze richieste per il codice insieme alla libreria. SageMaker La sezione seguente fornisce un esempio minimo di codice per
requirements.txt
per la funzione di esempiodivide
.sagemaker
-
Esegui il codice con il decoratore @remote passando il file delle dipendenze. Nel seguente esempio di codice, sostituisci
The IAM role name
con un ruolo AWS Identity and Access Management (IAM) l'ARN che desideri utilizzare SageMaker per eseguire il processo.import boto3 import sagemaker from sagemaker.remote_function import remote sm_session = sagemaker.Session(boto_session=boto3.session.Session(region_name="
us-west-2
")) settings = dict( sagemaker_session=sm_session, role=<The IAM role name>
, instance_type="ml.m5.xlarge
", dependencies='./requirements.txt' ) @remote(**settings) def divide(x, y): return x / y if __name__ == "__main__": print(divide(2, 3.0))
-
-
Per utilizzare le dipendenze dall'ambiente
conda
attivo, utilizza il valoreauto_capture
del parametrodependencies
, come illustrato di seguito.import boto3 import sagemaker from sagemaker.remote_function import remote sm_session = sagemaker.Session(boto_session=boto3.session.Session(region_name="
us-west-2
")) settings = dict( sagemaker_session=sm_session, role=<The IAM role name>
, instance_type="ml.m5.xlarge
", dependencies="auto_capture" ) @remote(**settings) def divide(x, y): return x / y if __name__ == "__main__": print(divide(2, 3.0))Nota
Puoi anche implementare il codice precedente all'interno di un notebook Jupyter. PyCharm Professional Edition supporta Jupyter in modo nativo. Per ulteriori informazioni, consulta il supporto per notebook Jupyter
nella documentazione. PyCharm
-