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.
A DGL está disponível como um contêiner de aprendizado profundo no Amazon ECR. Você pode selecionar contêineres de aprendizado profundo ao escrever sua função de estimador em um notebook da Amazon SageMaker . Você também pode criar o seu próprio contêiner personalizado com DGL seguindo o guia Traga seu próprio contêiner. A maneira mais fácil de começar a usar uma rede de gráficos profundos é utilizar um dos contêineres DGL no Amazon Elastic Container Registry.
nota
O suporte à estrutura de back-end é limitado a PyTorch e. MXNet
Configuração
Se você estiver usando o Amazon SageMaker Studio, primeiro precisará clonar o repositório de exemplos. Se você estiver usando uma instância de notebook, poderá encontrar os exemplos escolhendo o ícone de SageMaker IA na parte inferior da barra de ferramentas à esquerda.
Para clonar o Amazon SageMaker AI SDK e o repositório de exemplos de notebooks
-
Na JupyterLabvisualização no Amazon SageMaker AI, acesse o Navegador de arquivos na parte superior da barra de ferramentas à esquerda. No painel do navegador de arquivos, é possível ver uma nova navegação na parte superior do painel.
-
Selecione o ícone na extrema direita para clonar um repositório Git.
-
Adicione a URL do repositório: https://github.com/awslabs/ amazon-sagemaker-examples .git
-
Navegue pela pasta recém-adicionada e seu conteúdo. Os exemplos de DGL são armazenados na sagemaker-python-sdkpasta.
Treinamento
Depois de configuração, você pode treinar a rede de gráficos profundos.
