用于训练和部署模型的 Docker 容器

Ama SageMaker zon 广泛使用 Docker 容器来执行构建和运行时任务。 SageMaker 为其内置算法提供预构建的 Docker 镜像，以及用于训练和推理的支持的深度学习框架。使用容器，您可以快速可靠地训练机器学习算法并部署任意规模的模型。此部分中的主题展示了如何根据自己的使用场景部署这些容器。有关如何自带容器用于 Amazon SageMaker Studio Classic 的信息，请参阅带上你自己的 SageMaker 图片。

主题

• 使用运行脚本、训练算法或部署模型的场景 SageMaker
• Docker 容器基础知识
• 预先构建的 SageMaker Docker 镜像
• 自定义 Docker 容器，带有 SageMaker
• 使用自己的算法和模型创建容器
• 示例和更多信息：使用自己的算法或模型
• 为您排查故障 Docker 容器和部署

使用运行脚本、训练算法或部署模型的场景 SageMaker

Amazon 在运行脚本、训练算法和部署模型时 SageMaker 始终使用 Docker 容器。您与容器的互动程度取决于您的使用场景。

以下决策树说明了三种主要场景：使用预构建的 Docker 容器的用例 SageMaker；扩展预构建的 Docker 容器的用例；构建自己的容器的用例。

使用预构建的 Docker 容器的用例 SageMaker

将容器与以下用例一起使用时，请考虑以下用例 SageMaker：

• 预建 SageMaker 算法-使用内置算法附带的图像。有关更多信息，请参阅使用 Amazon SageMaker 内置算法或预训练模型。

• 带有预建 SageMaker容器的自定义模型 — 如果您训练或部署自定义模型，但使用的框架包含包含 TensorFlow 和的预建 SageMaker 容器 PyTorch，请选择以下选项之一：

  • 如果您不需要自定义软件包，并且容器已包含所有必需的软件包：请使用与您的框架关联的预构建 Docker 映像。有关更多信息，请参阅 预先构建的 SageMaker Docker 镜像。

  • 如果您需要安装到预建容器之一中的自定义软件包：请确认预构建的 Docker 映像允许 requirements.txt 文件，或者根据以下使用场景扩展预构建的容器。

扩展预构建 Docker 容器的使用场景

以下是扩展预构建 Docker 容器的使用场景：

• 无法导入依赖项 – 扩展与您的框架关联的预构建 Docker 映像。请参阅扩展预构建容器了解更多信息。

• 无法在预建容器中导入依赖项，并且预构建容器支持 requirements.txt – 在 requirements.txt 中添加所有必需的依赖项。以下框架支持使用 requirements.txt。

  • TensorFlow

  • Chainer

  • Sci-kit learn

  • PyTorch

  • Apache MXNet

自行构建容器的使用场景

如果您构建或训练自定义模型，并且需要没有预构建映像的自定义框架，请构建一个自定义容器。

作为训练和部署 TensorFlow 模型的示例用例，以下指南展示了如何确定前面用例部分中哪个选项适合该案例。

假设您在训练和部署 TensorFlow 模型时有以下要求。

• TensorFlow 模型是自定义模型。

• 由于要在 TensorFlow 框架中构建 TensorFlow 模型，因此请使用 TensorFlow 预先构建的框架容器来训练和托管模型。

• 如果您需要在入口点脚本或推理脚本中使用自定义软件包，请扩展预构建容器，或者使用 requirements.txt 文件在运行时安装依赖项。

确定所需的容器类型后，以下列表提供了有关先前列出的选项的详细信息。

• 使用内置 SageMaker 算法或框架。对于大多数使用场景，您可以使用内置算法和框架而不必为容器费心。你可以通过 SageMaker 控制台、 AWS Command Line Interface (AWS CLI)、Python 笔记本或 Amaz SageMaker on Python 训练和部署这些算法SDK。您可在创建估算器时，通过指定算法或框架版本来做到这一点。可用的内置算法将会分项列出，Amazon 中的内置算法和预训练模型 SageMaker主题中对此进行了介绍。有关可用框架的更多信息，请参阅 ML 框架和语言。有关如何使用在笔记本实例中运行的 Jupyter 笔记本训练和部署内置算法的 SageMaker 示例，请参阅主题。Amazon 入门指南 SageMaker

• 使用预先构建的 SageMaker 容器镜像。或者，您可以使用 Docker 容器使用内置算法和框架。 SageMaker 为其内置算法提供了容器，并为一些最常见的机器学习框架（例如 Apache MXNet、、和 Chainer）提供了预构建的 Docker 镜像。 TensorFlow PyTorch有关可用 SageMaker 图像的完整列表，请参阅可用的 Deep Learning Containers 镜像。它还支持 scikit-learn 和 SparkML 等机器学习库。如果您使用 Amaz SageMaker on Python SDK，则可以通过将完整的容器传递给相应的 SageMaker SDKEstimator类URI来部署容器。有关目前支持的深度学习框架的完整列表 SageMaker，请参阅用于深度学习的预构建 SageMaker Docker 镜像。有关 scikit-learn 和 SparkML 预构建容器映像的信息，请参阅访问 Scikit-Learn 和 Spark ML 的 Docker 镜像。有关在 Amaz SageMaker on Python 中使用框架的更多信息SDK，请参阅中相应的主题机器学习框架和语言。

• 扩展预先构建的 SageMaker 容器镜像。如果您想扩展预先构建的 SageMaker 算法或建模 Docker 镜像，可以修改 SageMaker 镜像以满足您的需求。有关示例，请参阅扩展我们的 PyTorch 容器。

• 调整现有的容器镜像：如果您想调整已存在的容器镜像以供使用 SageMaker，则必须修改 Docker 容器以启用 SageMaker 训练或推理工具包。有关说明如何构建您自己的容器来训练和托管算法的示例，请参阅使用自己的 R 算法。

为您排查故障 Docker 容器和部署

以下是您在使用时可能遇到的常见错误 Docker 带有 SageMaker. 的容器 每个错误的后面都提供了错误的解决方案。

• 错误：丢失 SageMaker 了 Docker 守护程序。

  要修复此错误，请使用以下命令重新启动 Docker。

  sudo service docker restart

• 错误：你的/tmp目录 Docker 容器空间不足。

  Docker 容器使用/和/tmp分区来存储代码。在本地模式下使用大型代码模块时，这些分区很容易填满。P SageMaker ython SDK 支持为本地模式根目录指定自定义临时目录以避免此问题。

  要在 Amazon Elastic Block Store 卷存储中指定自定义临时目录，请在以下路径创建一个文件~/.sagemaker/config.yaml并添加以下配置。您指定作为 container_root 的目录必须已经存在。P SageMaker ython SDK 不会尝试创建它。

  local:
    container_root: /home/ec2-user/SageMaker/temp

  使用此配置，本地模式使用 /temp 目录而不是默认的 /tmp 目录。

• SageMaker 笔记本实例出现空间不足错误

  A Docker 默认情况下，在 SageMaker 笔记本实例上运行的容器使用笔记本实例的 Amazon 根 Amazon EBS 卷。要解决空间不足错误，请在的EBS卷参数中提供附加到笔记本实例的 Amazon 卷的路径 Docker 命令。

  docker run -v EBS-volume-path:container-path