TensorFlow 프레임워크 프로세서

TensorFlow 는 오픈 소스 기계 학습 및 인공 지능 라이브러리입니다. Amazon SageMaker PythonTensorFlowProcessor의 는 TensorFlow 스크립트로 처리 작업을 실행할 수 있는 기능을 SDK 제공합니다. 를 사용하면 관리형 TensorFlow 환경이 있는 Amazon 빌드 Docker 컨테이너를 TensorFlowProcessor활용하여 자체 컨테이너를 가져올 필요가 없습니다.

다음 코드 예제는 TensorFlowProcessor에서 제공 및 유지 관리하는 Docker 이미지를 사용하여 처리 작업을 실행하는 방법을 보여줍니다 SageMaker. 작업을 실행할 때 source_dir 인수에 스크립트와 종속 항목이 포함된 디렉터리를 지정할 수 있으며, 디렉터리 내에 처리 스크립트(들)의 종속성을 source_dir 지정하는 requirements.txt 파일이 있을 수 있습니다. SageMaker 처리는 의 종속성을 컨테이너requirements.txt에 설치합니다.

from sagemaker.tensorflow import TensorFlowProcessor
from sagemaker.processing import ProcessingInput, ProcessingOutput
from sagemaker import get_execution_role

#Initialize the TensorFlowProcessor
tp = TensorFlowProcessor(
    framework_version='2.3',
    role=get_execution_role(),
    instance_type='ml.m5.xlarge',
    instance_count=1,
    base_job_name='frameworkprocessor-TF',
    py_version='py37'
)

#Run the processing job
tp.run(
    code='processing-script.py',
    source_dir='scripts',
    inputs=[
        ProcessingInput(
            input_name='data',
            source=f's3://{BUCKET}/{S3_INPUT_PATH}',
            destination='/opt/ml/processing/input/data'
        ),
        ProcessingInput(
            input_name='model',
            source=f's3://{BUCKET}/{S3_PATH_TO_MODEL}',
            destination='/opt/ml/processing/input/model'
        )
    ],
    outputs=[
        ProcessingOutput(
            output_name='predictions',
            source='/opt/ml/processing/output',
            destination=f's3://{BUCKET}/{S3_OUTPUT_PATH}'
        )
    ]
)

requirements.txt 파일이 있는 경우, 컨테이너에 설치하려는 라이브러리 목록이어야 합니다. 의 경로는 상대, 절대 또는 Amazon S3 URI 경로일 source_dir 수 있습니다. 그러나 Amazon S3 를 사용하는 경우 tar.gz 파일을 가리URI켜야 합니다. source_dir에 대해 지정한 디렉터리에 스크립트가 여러 개 있을 수 있습니다. TensorFlowProcessor 클래스에 대한 자세한 내용은 Amazon SageMaker PythonSDK의 TensorFlow 추정기를 참조하세요.