Criando seu SageMaker recurso da Amazon - AWS Marketplace
Criação do pacote de modelo Criação do algoritmo

As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.

Criando seu SageMaker recurso da Amazon

Para publicar um pacote de modelo ou um produto de algoritmo, você deve criar o respectivo recurso de pacote de modelo ou recurso de algoritmo na Amazon SageMaker. Quando você cria o recurso para um produto do AWS Marketplace , ele deve ser certificado por meio de uma etapa de validação. A etapa de validação exige que você forneça dados para testar o pacote de modelo ou recurso de algoritmo antes que ele possa ser publicado. As seções a seguir mostram como criar seu SageMaker recurso, seja um recurso de pacote de modelo ou um recurso de algoritmo. Isso inclui definir as especificações de validação que informam SageMaker como realizar a validação.

nota

Se você ainda não criou as imagens do seu produto e as enviou para o Amazon Elastic Container Registry (AmazonECR), consulte Empacotando seu código em imagens para produtos de aprendizado de máquina em AWS Marketplace e Carregando suas imagens para o Amazon Elastic Container Registry para obter informações sobre como fazer isso.

Criação do pacote de modelo

Confira a seguir os requisitos para criar um pacote de modelo para o AWS Marketplace:

nota

O texto a seguir fala sobre a criação de um produto de pacote de modelo. Para obter mais informações sobre pacotes de modelos em SageMaker, consulte Create a Model Package Resource.

Criação dos recursos do pacote de modelo

Os procedimentos a seguir orientam você na criação dos recursos do pacote de modelo.

Etapa 1: para criar os recursos do pacote de modelo

  1. Abra o SageMaker console da Amazon.

  2. Verifique se você está na AWS região em que deseja publicar consultando o canto superior direito da página. Para publicação, consulte a seção Regiões da AWS Compatível com publicação. A imagem de inferência que você enviou para a Amazon ECR nas etapas anteriores deve estar na mesma região.

  3. No menu de navegação à esquerda, escolha Pacotes de modelo.

  4. Escolha Create model package (Criar pacote de modelos).

Depois de criar o pacote, você precisa definir as especificações do pacote de inferência.

Etapa 2: definir especificações de inferência

  1. Forneça um nome para seu pacote de modelo (por exemplo, my-model-package).

  2. Em Localização da imagem de inferência, insira a imagem URI de inferência que foi enviada para a Amazon. ECR Você pode recuperá-los URI localizando sua imagem no console da Amazon ECR.

  3. Se os artefatos do modelo do treinamento estiverem agrupados com a lógica na imagem de inferência, deixe a opção Localização dos artefatos de dados do modelo vazia. Caso contrário, especifique a localização completa do Amazon S3 do arquivo compactado (.tar.gz) dos artefatos do modelo.

  4. Usando a caixa suspensa, escolha os tipos de instância compatíveis da imagem de inferência para trabalhos de inferência em tempo real (também conhecida como endpoint) e de transformação em lote.

  5. Escolha Próximo.

Antes que o pacote de modelo possa ser criado e publicado, a validação é necessária para garantir que ele funcione conforme o esperado. Isso exige que você execute um trabalho de transformação em lote com dados de teste para inferência fornecidos por você. As especificações de validação informam SageMaker como realizar a validação.

Etapa 3: para definir as especificações de validação

  1. Defina Publicar este pacote de modelo no AWS Marketplace como Sim. Se você definir isso como Não, não poderá publicar esse pacote de modelo posteriormente. Escolher Sim certifica seu pacote de modelo AWS Marketplace e exige a etapa de validação.

  2. Se for a primeira vez que conclui esse processo, escolha Criar uma nova função para a IAMfunção. A Amazon SageMaker usa essa função quando implanta seu pacote de modelos. Isso inclui ações, como extrair imagens da Amazon ECR e artefatos do Amazon S3. Revise as configurações e escolha Criar função. Criar uma função aqui concede as permissões descritas pela AmazonSageMakerFullAccessIAMpolítica para a função que você criar.

  3. Edite o JSONno perfil de validação. Para obter detalhes sobre os valores permitidos, consulte TransformJobDefinition.

    1. TransformInput.DataSource.S3Uri: defina onde os dados de teste para inferência são armazenados.

    2. TransformInput.ContentType: especifique seu tipo de conteúdo de dados de teste (por exemploapplication/json,text/plain,image/png ,, ou qualquer outro valor). SageMaker não valida os dados de entrada reais. Esse valor é passado para o HTTP endpoint do contêiner no valor do Content-type cabeçalho.

    3. TransformInput.CompressionType: defina como None se os dados de teste para inferência no Amazon S3 não estiverem compactados.

    4. TransformInput.SplitType: defina como None para passar cada objeto no Amazon S3 como um todo para inferência.

    5. TransformOutput.S3OutputPath: defina o local em que a saída da inferência é armazenada.

    6. TransformOutput.AssembleWith: defina como None para gerar cada inferência como objetos separados no Amazon S3.

  4. Escolha Create model package (Criar pacote de modelos).

SageMaker extrai a imagem de inferência da AmazonECR, copia todos os artefatos para o contêiner de inferência e executa um trabalho de transformação em lote usando seus dados de teste para inferência. Depois que a validação for bem-sucedida, o status mudará para Concluído.

nota

A etapa de validação não avalia a precisão do modelo com os dados de teste. A etapa de validação verifica se o contêiner é executado e responde conforme o esperado.

Você concluiu a criação dos recursos do produto de modelo. Avance para Publicação do produto no AWS Marketplace.

Criação do algoritmo

Confira a seguir os requisitos para criar um algoritmo para o AWS Marketplace:

  • Uma imagem de inferência, armazenada na Amazon ECR

  • Uma imagem de treinamento, armazenada na Amazon ECR

  • Seus dados de teste para treinamento, armazenados no Amazon S3

  • Seus dados de teste para inferência, armazenados no Amazon S3

nota

O passo a passo a seguir cria um produto de algoritmo. Para obter mais informações, consulte Criar um recurso de algoritmo.

Criação dos recursos do algoritmo

Os procedimentos a seguir orientam você na criação dos recursos no pacote de algoritmos.

Etapa 1: para criar os recursos do algoritmo

  1. Abra o SageMaker console da Amazon.

  2. Verifique se você está na AWS região da qual deseja publicar consultando o canto superior direito da página (consulteRegiões da AWS Compatível com publicação). As imagens de treinamento e inferência que você enviou para a Amazon ECR nas etapas anteriores devem estar nessa mesma região.

  3. No menu de navegação à esquerda, escolha Algoritmos.

  4. Escolha Criar algoritmo.

Depois de criar o pacote de algoritmos, você deve definir as especificações para o treinamento e o ajuste do modelo.

Etapa 2: para definir as especificações de treinamento e ajuste

  1. Insira o nome do seu algoritmo (por exemplo, my-algorithm).

  2. Para Imagem de treinamento, cole a URI localização completa da sua imagem de treinamento que foi enviada para a AmazonECR. Você pode recuperá-los URI localizando sua imagem no console da Amazon ECR.

  3. Usando a caixa suspensa, escolha os tipos de instância de treinamento compatíveis com a imagem de treinamento.

  4. Na seção Especificação do canal, adicione um canal para cada conjunto de dados de entrada compatível com o algoritmo, até 20 canais de fontes de entrada. Para obter mais informações, consulte Configuração dos dados de entrada.

  5. Escolha Próximo.

  6. Se o algoritmo suportar hiperparâmetros e ajuste de hiperparâmetros, você deverá especificar os parâmetros de ajuste.

  7. Escolha Próximo.

nota

É altamente recomendável que o algoritmo ofereça suporte ao ajuste de hiperparâmetros e torne os parâmetros apropriados ajustáveis. Isso permite que cientistas de dados ajustem modelos para obter os melhores resultados.

Depois de definir os parâmetros de ajuste, se houver, você deve definir as especificações para a imagem de inferência.

Etapa 3: para definir a especificação da imagem de inferência

  1. Em Localização da imagem de inferência, cole a imagem URI de inferência que foi enviada para a Amazon. ECR Você pode recuperá-los URI localizando sua imagem no Amazon ECR Console.

  2. Usando a caixa suspensa, escolha os tipos de instância compatíveis da imagem de inferência para trabalhos de inferência em tempo real (também conhecida como endpoint) e de transformação em lote.

  3. Escolha Próximo.

Antes que o algoritmo possa ser criado e publicado, a validação é necessária para garantir que ele funcione conforme o esperado. Isso exige que você execute um trabalho de treinamento com dados de teste para treinamento e um trabalho de transformação em lote com dados de teste para inferência que você fornece. As especificações de validação informam SageMaker como realizar a validação.

Etapa 4: para definir as especificações de validação

  1. Defina Publicar este algoritmo no AWS Marketplace como Sim. Se você definir isso como Não, não poderá publicar esse algoritmo posteriormente. Escolher Sim certifica seu algoritmo AWS Marketplace e exige a especificação de validação.

  2. Se esta é a primeira vez que você cria um pacote de aprendizado de máquina para AWS Marketplace, escolha Criar uma nova função para a IAMfunção. A Amazon SageMaker usa essa função ao treinar seu algoritmo e implantar o pacote de modelos subsequente. Isso inclui ações como extrair imagens da AmazonECR, armazenar artefatos no Amazon S3 e copiar dados de treinamento do Amazon S3. Revise as configurações e escolha Criar função. Criar uma função aqui concede as permissões descritas pela AmazonSageMakerFullAccessIAMpolítica para a função que você criar.

  3. Edite o JSONarquivo no perfil de validação para a definição do trabalho de treinamento. Para obter mais informações sobre valores permitidos, consulte TrainingJobDefinition.

    1. InputDataConfig: nessa JSON matriz, adicione um objeto Channel para cada canal que você especificou na etapa de especificação de treinamento. Para cada canal, especifique onde os dados de teste para treinamento são armazenados.

    2. OutputDataConfig: após a conclusão do treinamento, os artefatos do modelo no caminho do diretório do contêiner de treinamento /opt/ml/model/ são compactados e copiados para o Amazon S3. Especifique a localização do Amazon S3 onde o arquivo compactado (.tar.gz) está armazenado.

  4. Edite o JSON arquivo no perfil de validação para a definição da tarefa Transform. Para obter mais informações sobre valores permitidos, consulte TransformJobDefinition.

    1. TransformInput.DataSource.S3Uri: defina onde os dados de teste para inferência são armazenados.

    2. TransformInput.ContentType: especifique o tipo de conteúdo de dados de teste. Por exemplo, application/json, text/plain, image/png ou qualquer outro valor. A Amazon SageMaker não valida os dados de entrada reais. Esse valor é passado para o HTTP endpoint do contêiner no valor do Content-type cabeçalho.

    3. TransformInput.CompressionType: defina como None se os dados de teste para inferência no Amazon S3 não estiverem compactados.

    4. TransformInput.SplitType: escolha como você deseja que os objetos sejam divididos no S3. Por exemplo, None transmite cada objeto no Amazon S3 como um todo para inferência. Para obter mais detalhes, consulte SplitTypena SageMaker API Referência da Amazon.

    5. TransformOutput.S3OutputPath: defina o local onde a saída da inferência é armazenada.

    6. TransformOutput.AssembleWith: defina como None para gerar cada inferência como objetos separados no Amazon S3.

  5. Escolha Criar pacote de algoritmos.

SageMaker extrai a imagem de treinamento da AmazonECR, executa um trabalho de treinamento de teste usando seus dados e armazena os artefatos do modelo no Amazon S3. Em seguida, ele extrai a imagem de inferência da AmazonECR, copia os artefatos do Amazon S3 para o contêiner de inferência e executa um trabalho de transformação em lote usando seus dados de teste para inferência. Depois que a validação for bem-sucedida, o status mudará para Concluído.

nota

A etapa de validação não avalia a precisão do treinamento ou do modelo com os dados de teste. A etapa de validação verifica se os contêineres são executados e respondem conforme o esperado.

A etapa de validação valida somente o processamento em lote. Cabe a você validar se o processamento em tempo real funciona com seu produto.

Você concluiu a criação dos recursos do produto de algoritmo. Avance para Publicação do produto no AWS Marketplace.