Docker コンテナを使用してモデルを構築する - Amazon SageMaker
シナリオとガイダンス

翻訳は機械翻訳により提供されています。提供された翻訳内容と英語版の間で齟齬、不一致または矛盾がある場合、英語版が優先します。

Docker コンテナを使用してモデルを構築する

Amazon SageMaker では、ビルドタスクとランタイムタスクに Docker コンテナを幅広く使用しています。 SageMaker 組み込みアルゴリズム用のビルド済みの Docker イメージと、トレーニングや推論に使用されるサポート対象のディープラーニングフレームワークを提供しています。コンテナを使用することで、機械学習アルゴリズムをトレーニングし、規模を問わずモデルを迅速かつ確実にデプロイできます。このセクションの各トピックでは、独自のユースケース用にこれらのコンテナをデプロイする方法について説明します。Amazon SageMaker Studio Classic で使用する独自のコンテナを持ち込む方法については、を参照してください SageMaker 独自のイメージを持参してください。。

トピック

を使用してスクリプトを実行したり、アルゴリズムをトレーニングしたり、モデルをデプロイしたりするシナリオ SageMaker

Amazon は、スクリプトの実行、アルゴリズムのトレーニング、 SageMaker モデルのデプロイ時に常に Docker コンテナを使用します。コンテナとのエンゲージメントのレベルは、ユースケースによって異なります。

以下のデシジョンツリーは、ビルド済みの Docker コンテナを使用する場合のユースケース、ビルド済みの Docker コンテナを拡張する場合のユースケース、独自のコンテナを構築する場合のユースケースの 3 つの主なシナリオを示しています。 SageMaker

カスタムコンテナの構築、コンテナの拡張、または構築済みコンテナの使用を選択するためのディシジョンツリー

ビルド済みの Docker コンテナをと一緒に使用する場合のユースケース SageMaker

でコンテナを使用するときは、以下のユースケースを検討してください。 SageMaker

  • SageMaker ビルド済みアルゴリズム — 組み込みアルゴリズムに付属するイメージを使用してください。詳細については、「Amazon SageMaker の組み込みアルゴリズムまたは事前トレーニング済みモデルの使用」を参照してください。

  • SageMaker事前構築済みコンテナを含むカスタムモデル — カスタムモデルをトレーニングまたはデプロイするが、 SageMaker TensorFlow とを含む事前構築済みコンテナを含むフレームワークを使用する場合は PyTorch、以下のいずれかのオプションを選択します。

    • カスタムパッケージが不要で、必要なパッケージがコンテナに既にすべて含まれている場合、フレームワークに関連する構築済み Docker イメージを使用してください。詳細については、「ビルド済みの Docker イメージを使用する SageMaker 」を参照してください。

    • 構築済みコンテナのいずれかにカスタムパッケージをインストールする必要がある場合、構築済みの Docker イメージで requirements.txt ファイルが許可されていることを確認するか、以下のユースケースに基づいて構築済みコンテナを拡張してください。

構築済みの Docker コンテナを拡張するユースケース

構築済みの Docker コンテナを拡張するユースケースは次のとおりです。

  • 依存関係をインポートできない場合 — フレームワークに関連する構築済みの Docker イメージを拡張してください。詳細については、「構築済みコンテナを拡張する」を参照してください。

  • 構築済みコンテナの依存関係をインポートすることができず、構築済みコンテナが requirements.txt をサポートする場合 — 必要な依存関係はすべて requirements.txt に追加してください。以下のフレームワークは requirements.txt の使用をサポートしています。

独自のコンテナを構築するためのユースケース

カスタムモデルを構築またはトレーニングしていて、構築済みのイメージがないカスタムフレームワークが必要な場合は、カスタムコンテナを構築してください。

TensorFlow モデルのトレーニングとデプロイのユースケースの例として、以下のガイドでは、「ユースケース」の前のセクションのどのオプションがケースに合っているかを判断する方法を示しています。

モデルのトレーニングとデプロイには以下の要件があると仮定します。 TensorFlow

必要なコンテナの種類が決まったら、以下のリストに前述のオプションの詳細が表示されます。

  • SageMaker 組み込みのアルゴリズムまたはフレームワークを使用してください。ほとんどのユースケースでは、コンテナを気にすることなく、組み込みのアルゴリズムとフレームワークを使用できます。これらのアルゴリズムは、 SageMaker コンソール、 AWS Command Line Interface (AWS CLI)、Python ノートブック、または Amazon SageMaker Python SDK からトレーニングおよびデプロイできます。そのためには、Estimator の作成時にアルゴリズムまたはフレームワークのバージョンを指定してください。使用可能な組み込みアルゴリズムは、「Amazon SageMaker 組み込みアルゴリズムまたは事前トレーニング済みモデルを使用する」トピックで項目別に説明しています。使用可能なフレームワークの詳細については、「ML のフレームワークと言語」を参照してください。ノートブックインスタンスで実行されている Jupyter ノートブックを使用して組み込みアルゴリズムをトレーニングしてデプロイする方法の例については、トピックを参照してください。 SageMaker 使用を開始する

  • SageMaker ビルド済みのコンテナイメージを使用してください。また、Docker コンテナを使用する組み込みのアルゴリズムとフレームワークを使用することもできます。 SageMaker には、Apache MXNet、、、Chainerなどの最も一般的な機械学習フレームワーク用の組み込みアルゴリズムとビルド済みのDockerイメージ用のコンテナが用意されています。 TensorFlow PyTorch SageMaker 利用可能なイメージの全リストについては、「利用可能なDeep Learning Containers イメージ」を参照してください。また、scikit-learn や SparkML などの機械学習ライブラリもサポートしています。Amazon SageMaker Python SDK を使用する場合、コンテナの URI 全体をそれぞれの SageMaker SDK Estimator クラスに渡すことでコンテナをデプロイできます。現在でサポートされているディープラーニングフレームワークの全リストについては SageMaker、を参照してくださいDeep Learning 用のビルド済み SageMaker Docker イメージ。scikit-learn および SparkML の構築済みコンテナイメージの詳細については、「Scikit-learn および Spark ML 用のビルド済み Amazon SageMaker Docker イメージ」を参照してください。Amazon SageMaker Python SDK でフレームワークを使用する方法の詳細については、の各トピックを参照してください。機械学習フレームワークと言語

  • SageMaker ビルド済みのコンテナイメージを拡張します。 SageMaker ビルド済みのアルゴリズムやモデルの Docker イメージを拡張したい場合は、 SageMaker ニーズに合わせてイメージを変更できます。例については、「コンテナの拡張」を参照してください。 PyTorch

  • 既存のコンテナイメージの調整:既存のコンテナイメージを動作するように適合させたい場合は SageMaker、Docker コンテナを変更して SageMaker Training ツールキットまたは Inference ツールキットのいずれかを有効にする必要があります。独自のコンテナを構築してアルゴリズムをトレーニングまたはホストする方法を示す例については、「Bring Your Own R Algorithm」を参照してください。