TensorFlow 框架处理器

TensorFlow 是一个开源的机器学习和人工智能库。Amaz SageMaker on Python 软件开发工具包TensorFlowProcessor中的使您能够使用 TensorFlow 脚本运行处理任务。使用时TensorFlowProcessor，您可以利用亚马逊构建的带有托管 TensorFlow 环境的 Docker 容器，这样您就无需自带容器。

以下代码示例说明了如何使用提供和维护的 Docker 镜像来运行处理作业。TensorFlowProcessor SageMaker请注意，当你运行作业时，你可以在source_dir参数中指定一个包含脚本和依赖关系的目录，也可以在你的source_dir目录中有一个requirements.txt文件来指定处理脚本的依赖关系。 SageMaker 处理会为您在容器requirements.txt中安装依赖项。

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}'
        )
    ]
)

如果您有 requirements.txt 文件，它应该是您要在容器中安装的库的列表。source_dir 的路径可以是相对路径、绝对路径或 Amazon S3 URI 路径。但是，如果您使用 Amazon S3 URI，则路径必须指向 tar.gz 文件。在您为 source_dir 指定的目录中可以有多个脚本。要了解有关该TensorFlowProcessor课程的更多信息，请参阅 Amaz on Pyth SageMaker on TensorFlow 软件开发工具包中的估算器。