モデルバージョンを登録する - Amazon SageMaker

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。

モデルバージョンを登録する

Amazon SageMaker モデルを登録するには、そのモデルが属するモデルグループを指定するモデルバージョンを作成します。モデルバージョンには、モデルのアーティファクト (モデルの学習済みの重み) とモデルの推論コードの両方が含まれている必要があります。

推論パイプラインは、推論リクエストを処理する 2~15 個のコンテナの線形シーケンスで構成される SageMaker モデルです。コンテナと関連する環境変数を指定して、推論パイプラインを登録します。推論パイプラインの詳細については、「1 つのエンドポイントの背後にあるシリアル推論パイプラインとして前処理ロジックとともにモデルをホストする」を参照してください。

コンテナと関連する環境変数を指定して、推論パイプラインを持つモデルを登録します。次のいずれかを使用して推論パイプラインでモデルバージョンを作成するには AWS SDK for Python (Boto3)、Amazon SageMaker Studio コンソール、または SageMaker モデル構築パイプラインでステップを作成することで、次のステップを実行します。

モデルバージョンを登録する (SageMakerパイプライン)

モデル構築パイプラインを使用して SageMaker モデルバージョンを登録するには、パイプラインにRegisterModelステップを作成します。パイプラインの一部として RegisterModel を作成する方法の詳細については、「ステップ 8: モデルパッケージを作成する RegisterModel ステップを定義する」を参照してください。

モデルバージョンを登録する (Boto3)

Boto3 を使用してモデルバージョンを登録するには、 create_model_packageAPIオペレーションを呼び出します。

まず、 create_model_package API オペレーションに渡すようにパラメータディクショナリを設定します。

# Specify the model source model_url = "s3://your-bucket-name/model.tar.gz" modelpackage_inference_specification = { "InferenceSpecification": { "Containers": [ { "Image": image_uri, "ModelDataUrl": model_url } ], "SupportedContentTypes": [ "text/csv" ], "SupportedResponseMIMETypes": [ "text/csv" ], } } # Alternatively, you can specify the model source like this: # modelpackage_inference_specification["InferenceSpecification"]["Containers"][0]["ModelDataUrl"]=model_url create_model_package_input_dict = { "ModelPackageGroupName" : model_package_group_name, "ModelPackageDescription" : "Model to detect 3 different types of irises (Setosa, Versicolour, and Virginica)", "ModelApprovalStatus" : "PendingManualApproval" } create_model_package_input_dict.update(modelpackage_inference_specification)

次に、 create_model_packageAPIオペレーションを呼び出し、先ほど設定したパラメータディクショナリを渡します。

create_model_package_response = sm_client.create_model_package(**create_model_package_input_dict) model_package_arn = create_model_package_response["ModelPackageArn"] print('ModelPackage Version ARN : {}'.format(model_package_arn))

モデルバージョンを登録する (Studio または Studio Classic)

Amazon SageMaker Studio コンソールでモデルバージョンを登録するには、Studio と Studio Classic のどちらを使用するかに基づいて次の手順を実行します。

Studio
  1. 「Amazon SageMaker Studio を起動する」の手順に従って Studio コンソールを開きます。 SageMaker

  2. 左側のナビゲーションペインで、メニューからモデルを選択します。

  3. まだ選択されていない場合は、登録済みモデルタブを選択します。

  4. 登録済みモデルタブラベルのすぐ下にある Model Groups をまだ選択していない場合は、選択します。

  5. 登録 を選択し、モデルバージョン を選択します。

  6. [モデルバージョンを登録] フォームに、次の情報を入力します。

    • モデルグループ名ドロップダウンで、バージョンが属するモデルグループの名前を選択します。

    • (オプション) モデルバージョンの説明を入力します。

    • [モデル承認ステータス] ドロップダウンで、バージョン承認ステータスを選択します。

    • (オプション) カスタムメタデータ フィールドで、 + 新規追加 を選択し、カスタムタグをキーと値のペアとして追加します。

  7. [Next (次へ)] を選択します。

  8. [推論の仕様] フォームに、以下の情報を入力します。

    • 推論イメージの場所 (ECR) で、Amazon ECR 推論イメージの場所を入力します。

    • 「モデルアーティファクトの場所 (S3)」に、モデルデータアーティファクトの Amazon S3 バケットの場所を入力します。

    • データ設定または環境変数を指定して入力するには、追加設定を選択し、この情報を入力します。

    • さらにコンテナを追加するには、「」+「コンテナを追加」を選択します。

    • リアルタイム推論インスタンスタイプ で、リアルタイム推論に使用するインスタンスタイプを入力します。

    • 変換推論インスタンスタイプ で、バッチ変換に使用するインスタンスタイプを入力します。

    • サポートされているコンテンツタイプ で、入力MIMEタイプを入力します。

    • サポートされているレスポンスコンテンツタイプ で、出力MIMEタイプを入力します。

  9. [Next (次へ)] を選択します。

  10. オプションの推論レコメンデーションフォームに、次の情報を入力します。

    • ビジネス問題 では、モデルに適用するアプリケーションを選択します。

    • タスク で、モデルに適用される問題のタイプを選択します。

    • S3 バケットアドレス には、サンプルペイロードの Amazon S3 バケットの場所を入力します。

    • 最初のコンテナには、次の情報を入力します。

      • モデル名 には、モデルゾーンで使用されるモデル名を入力します。

      • フレームワーク で、フレームワークを選択します。

      • フレームワークバージョン には、フレームワークバージョンを入力します。

    • すべてのコンテナに対して前のステップを繰り返します。

  11. [Next (次へ)] を選択します。

  12. 表示される 1 つ以上のモデルメトリクスの横にあるチェックボックスをオンにします。

  13. [Next (次へ)] を選択します。

  14. 表示された設定が正しいことを確認し、[モデルバージョンを登録] を選択します。その後、モーダルウィンドウにエラーメッセージが表示されたら、(メッセージの横にある) [表示] を選択してエラーの原因を確認します。

  15. 親モデルグループのページに新しいモデルバージョンが表示されることを確認します。

Studio Classic
  1. Amazon SageMaker Studio Classic にサインインします。詳細については、「Amazon SageMaker Studio Classic の起動」を参照してください。

  2. 左側のナビゲーションペインで [ホーム] アイコン( Black square icon representing a placeholder or empty image. ) を選択します。

  3. [モデル] を選択し、[モデルレジストリ] を選択します。

  4. [バージョンを登録] フォームを開きます。これには以下の 2 つの方法があります。

    • [アクション] を選択してから、[モデルバージョンを作成] をクリックします。

    • モデルバージョンを作成するモデルグループの名前を選択し、[モデルバージョンを作成] を選択します。

  5. [モデルバージョンを登録] フォームに、次の情報を入力します。

    • [モデルパッケージグループ名] ドロップダウンで、モデルグループ名を選択します。

    • (オプション) モデルバージョンの説明を入力します。

    • [モデル承認ステータス] ドロップダウンで、バージョン承認ステータスを選択します。

    • (オプション) カスタムメタデータフィールドに、カスタムタグをキーと値のペアとして追加します。

  6. [Next (次へ)] を選択します。

  7. [推論の仕様] フォームに、以下の情報を入力します。

    • 推論イメージの場所を入力します。

    • モデルデータのアーティファクトの場所を入力します。

    • (オプション) 変換ジョブとリアルタイム推論ジョブに使用するイメージに関する情報と、サポートされている入出力MIMEタイプを入力します。

  8. [Next (次へ)] を選択します。

  9. (オプション) エンドポイントの推奨に役立つ詳細情報を入力します。

  10. [Next (次へ)] を選択します。

  11. (オプション) 含めるモデルメトリクスを選択します。

  12. [Next (次へ)] を選択します。

  13. 表示された設定が正しいことを確認し、[モデルバージョンを登録] を選択します。その後、モーダルウィンドウにエラーメッセージが表示されたら、(メッセージの横にある) [表示] を選択してエラーの原因を確認します。

  14. 親モデルグループのページに新しいモデルバージョンが表示されることを確認します。

別のアカウントからモデルバージョンを登録する

別の によって作成された Model Group にモデルバージョンを登録するには AWS アカウント、クロスアカウントを追加する必要があります AWS Identity and Access Management そのアカウントを有効にする リソースポリシー。例えば、 AWS 組織の アカウントはモデルのトレーニングを担当し、別の アカウントはモデルの管理、デプロイ、更新を担当します。IAM リソースポリシーを作成し、このケースのアクセス権を付与する特定のアカウントリソースにポリシーを適用します。のクロスアカウントリソースポリシーの詳細については、「」を参照してください。 AWS、「」の「クロスアカウントポリシーの評価ロジック」を参照してください。 AWS Identity and Access Management ユーザーガイド

注記

また、クロスアカウントモデルデプロイのトレーニング中に、 KMSキーを使用して出力データ設定アクションを暗号化する必要があります。

でクロスアカウントモデルレジストリを有効にするには SageMaker、モデルバージョンを含むモデルグループにクロスアカウントリソースポリシーを指定する必要があります。モデルパッケージグループのクロスアカウントポリシーを作成し、その特定のリソースにこのポリシーを適用する例を以下に示します。

アカウントをまたいでモデルグループにモデルを登録するソースアカウントで、次を設定する必要があります。この例では、ソースアカウントはモデルトレーニングアカウントであり、モデルクロスアカウントをトレーニングし、Model Registry アカウントの Model Registry に登録します。

この例では、次の変数が事前に定義されていることを前提としています。

  • sm_client – SageMaker Boto3 クライアント。

  • model_package_group_name – アクセスを許可するモデルグループ。

  • model_package_group_arn – クロスアカウントアクセスARNを許可するモデルグループ。

  • bucket – モデルトレーニングアーティファクトが保存されている Amazon S3 バケット。

別の アカウントで作成されたモデルをデプロイできるようにするには、 AmazonSageMakerFullAccessマネージドポリシーを持つロールなどの SageMaker アクションにアクセスできるロールがユーザーに必要です。 SageMaker 管理ポリシーの詳細については、「」を参照してくださいAWS Amazon の マネージドポリシー SageMaker

必要なIAMリソースポリシー

以下の図は、クロスアカウントモデル登録を可能にするために必要なポリシーをまとめたものです。図のように、モデルを Model Registry アカウントに正しく登録するには、モデルトレーニング中これらのポリシーをに有効にする必要があります。

アカウント間でモデルを登録するために必要なポリシー。

Amazon ECR、Amazon S3、および AWS KMS ポリシーは、次のコードサンプルで示されています。

Amazon ECRポリシーの例

{ "Version": "2012-10-17", "Statement": [ { "Sid": "AddPerm", "Effect": "Allow", "Principal": { "AWS": "arn:aws:iam::{model_registry_account}:root" }, "Action": [ "ecr:BatchGetImage", "ecr:Describe*" ] } ] }

Amazon S3 ポリシーの例

{ "Version": "2012-10-17", "Statement": [ { "Sid": "AddPerm", "Effect": "Allow", "Principal": { "AWS": "arn:aws:iam::{model_registry_account}:root" }, "Action": [ "s3:GetObject", "s3:GetBucketAcl", "s3:GetObjectAcl" ], "Resource": "arn:aws:s3:::{bucket}/*" } ] }

サンプル AWS KMS ポリシー

{ "Version": "2012-10-17", "Statement": [ { "Sid": "AddPerm", "Effect": "Allow", "Principal": { "AWS": "arn:aws:iam::{model_registry_account}:root" }, "Action": [ "kms:Decrypt", "kms:GenerateDataKey*" ], "Resource": "*" } ] }

リソースポリシーをアカウントに適用

以下のポリシー設定は、前のセクションで説明したポリシーを適用し、モデルトレーニングアカウントに含める必要があります。

import json # The Model Registry account id of the Model Group model_registry_account = "111111111111" # The model training account id where training happens model_training_account = "222222222222" # 1. Create a policy for access to the ECR repository # in the model training account for the Model Registry account Model Group ecr_repository_policy = {"Version": "2012-10-17", "Statement": [{"Sid": "AddPerm", "Effect": "Allow", "Principal": { "AWS": f"arn:aws:iam::{model_registry_account}:root" }, "Action": [ "ecr:BatchGetImage", "ecr:Describe*" ] }] } # Convert the ECR policy from JSON dict to string ecr_repository_policy = json.dumps(ecr_repository_policy) # Set the new ECR policy ecr = boto3.client('ecr') response = ecr.set_repository_policy( registryId = model_training_account, repositoryName = "decision-trees-sample", policyText = ecr_repository_policy ) # 2. Create a policy in the model training account for access to the S3 bucket # where the model is present in the Model Registry account Model Group bucket_policy = {"Version": "2012-10-17", "Statement": [{"Sid": "AddPerm", "Effect": "Allow", "Principal": {"AWS": f"arn:aws:iam::{model_registry_account}:root" }, "Action": [ "s3:GetObject", "s3:GetBucketAcl", "s3:GetObjectAcl" ], "Resource": [ "arn:aws:s3:::{bucket}/*", "Resource: arn:aws:s3:::{bucket}" ] }] } # Convert the S3 policy from JSON dict to string bucket_policy = json.dumps(bucket_policy) # Set the new bucket policy s3 = boto3.client("s3") response = s3.put_bucket_policy( Bucket = bucket, Policy = bucket_policy) # 3. Create the KMS grant for the key used during training for encryption # in the model training account to the Model Registry account Model Group client = boto3.client("kms") response = client.create_grant( GranteePrincipal=model_registry_account, KeyId=kms_key_id Operations=[ "Decrypt", "GenerateDataKey", ], )

次の設定は、Model Group がある Model Registry アカウントに配置する必要があります。

# The Model Registry account id of the Model Group model_registry_account = "111111111111" # 1. Create policy to allow the model training account to access the ModelPackageGroup model_package_group_policy = {"Version": "2012-10-17", "Statement": [ { "Sid": "AddPermModelPackageVersion", "Effect": "Allow", "Principal": {"AWS": f"arn:aws:iam::{model_training_account}:root"}, "Action": ["sagemaker:CreateModelPackage"], "Resource": f"arn:aws:sagemaker:{region}:{model_registry_account}:model-package/{model_package_group_name}/*" } ] } # Convert the policy from JSON dict to string model_package_group_policy = json.dumps(model_package_group_policy) # Set the new policy response = sm_client.put_model_package_group_policy( ModelPackageGroupName = model_package_group_name, ResourcePolicy = model_package_group_policy)

最後に、モデルトレーニングアカウントの create_model_package アクションを使用して、モデルパッケージをクロスアカウントに登録します。

# Specify the model source model_url = "s3://{bucket}/model.tar.gz" #Set up the parameter dictionary to pass to the create_model_package API operation modelpackage_inference_specification = { "InferenceSpecification": { "Containers": [ { "Image": f"{model_training_account}.dkr.ecr.us-east-2.amazonaws.com/decision-trees-sample:latest", "ModelDataUrl": model_url } ], "SupportedContentTypes": [ "text/csv" ], "SupportedResponseMIMETypes": [ "text/csv" ], } } # Alternatively, you can specify the model source like this: # modelpackage_inference_specification["InferenceSpecification"]["Containers"][0]["ModelDataUrl"]=model_url create_model_package_input_dict = { "ModelPackageGroupName" : model_package_group_arn, "ModelPackageDescription" : "Model to detect 3 different types of irises (Setosa, Versicolour, and Virginica)", "ModelApprovalStatus" : "PendingManualApproval" } create_model_package_input_dict.update(modelpackage_inference_specification) # Create the model package in the Model Registry account create_model_package_response = sm_client.create_model_package(**create_model_package_input_dict) model_package_arn = create_model_package_response["ModelPackageArn"] print('ModelPackage Version ARN : {}'.format(model_package_arn))