Como usar o SageMaker AI AutoGluon -Tabular

Você pode usar AutoGluon -Tabular como um algoritmo integrado do Amazon SageMaker AI. A seção a seguir descreve como usar AutoGluon -Tabular com o SDK do Python SageMaker . Para obter informações sobre como usar AutoGluon -Tabular na interface do usuário do Amazon SageMaker Studio Classic, consulte. SageMaker JumpStart modelos pré-treinados

• Use AutoGluon -Tabular como um algoritmo embutido

  Use o algoritmo integrado AutoGluon -Tabular para criar um contêiner de treinamento AutoGluon -Tabular, conforme mostrado no exemplo de código a seguir. Você pode identificar automaticamente o URI da imagem do algoritmo integrado AutoGluon -Tabular usando a image_uris.retrieve API SageMaker AI (ou a get_image_uri API se estiver usando o SDK do Amazon SageMaker Python versão 2).

  Depois de especificar o URI da imagem AutoGluon -Tabular, você pode usar o contêiner AutoGluon -Tabular para criar um estimador usando a SageMaker API AI Estimator e iniciar um trabalho de treinamento. O algoritmo embutido AutoGluon -Tabular é executado no modo script, mas o script de treinamento é fornecido para você e não há necessidade de substituí-lo. Se você tiver uma vasta experiência no uso do modo script para criar um trabalho de SageMaker treinamento, poderá incorporar seus próprios scripts de treinamento AutoGluon -Tabular.

  from sagemaker import image_uris, model_uris, script_uris
  
  train_model_id, train_model_version, train_scope = "autogluon-classification-ensemble", "*", "training"
  training_instance_type = "ml.p3.2xlarge"
  
  # Retrieve the docker image
  train_image_uri = image_uris.retrieve(
      region=None,
      framework=None,
      model_id=train_model_id,
      model_version=train_model_version,
      image_scope=train_scope,
      instance_type=training_instance_type
  )
  
  # Retrieve the training script
  train_source_uri = script_uris.retrieve(
      model_id=train_model_id, model_version=train_model_version, script_scope=train_scope
  )
  
  train_model_uri = model_uris.retrieve(
      model_id=train_model_id, model_version=train_model_version, model_scope=train_scope
  )
  
  # Sample training data is available in this bucket
  training_data_bucket = f"jumpstart-cache-prod-{aws_region}"
  training_data_prefix = "training-datasets/tabular_binary/"
  
  training_dataset_s3_path = f"s3://{training_data_bucket}/{training_data_prefix}/train"
  validation_dataset_s3_path = f"s3://{training_data_bucket}/{training_data_prefix}/validation"
  
  output_bucket = sess.default_bucket()
  output_prefix = "jumpstart-example-tabular-training"
  
  s3_output_location = f"s3://{output_bucket}/{output_prefix}/output"
  
  from sagemaker import hyperparameters
  
  # Retrieve the default hyperparameters for training the model
  hyperparameters = hyperparameters.retrieve_default(
      model_id=train_model_id, model_version=train_model_version
  )
  
  # [Optional] Override default hyperparameters with custom values
  hyperparameters[
      "auto_stack"
  ] = "True"
  print(hyperparameters)
  
  from sagemaker.estimator import Estimator
  from sagemaker.utils import name_from_base
  
  training_job_name = name_from_base(f"built-in-algo-{train_model_id}-training")
  
  # Create SageMaker Estimator instance
  tabular_estimator = Estimator(
      role=aws_role,
      image_uri=train_image_uri,
      source_dir=train_source_uri,
      model_uri=train_model_uri,
      entry_point="transfer_learning.py",
      instance_count=1,
      instance_type=training_instance_type,
      max_run=360000,
      hyperparameters=hyperparameters,
      output_path=s3_output_location
  )
  
  # Launch a SageMaker Training job by passing the S3 path of the training data
  tabular_estimator.fit(
      {
          "training": training_dataset_s3_path,
          "validation": validation_dataset_s3_path,
      }, logs=True, job_name=training_job_name
  )

  Para obter mais informações sobre como configurar o AutoGluon -Tabular como um algoritmo incorporado, consulte os exemplos de cadernos a seguir. Qualquer bucket do S3 usado nesses exemplos deve estar na mesma AWS região da instância do notebook usada para executá-los.

  • Classificação tabular com Amazon SageMaker AI AutoGluon - Algoritmo tabular

  • Regressão tabular com Amazon SageMaker AI AutoGluon - Algoritmo tabular