本文為英文版的機器翻譯版本,如內容有任何歧義或不一致之處,概以英文版為準。
使用以建立影像分類的 AutoML 工作 API
下列指示說明如何使用「 SageMaker API參考」建立 Amazon SageMaker Autopilot 任務,做為影像分類問題類型的試驗實驗。
注意
如文字和影像分類、時間序列預測以及大型語言模型的微調等工作,皆可透過 AutoML 的第 2 版獨家取得。REST API如果您選擇的語言是 Python,則可以SDK直接引用AWS SDK for Python (Boto3)
偏好使用者介面便利性的使用者可以使用 Amazon SageMaker Canvas 存取預先訓練的模型和生成 AI 基礎模型,或建立針對特定文字、影像分類、預測需求或生成 AI 量身打造的自訂模型。
您可以使CreateAutoMLJobV2
API用 Amazon SageMaker Autopilot 或. AWS CLI
有關此API動作如何以您選擇的語言轉換為函數的詳細資訊,請參閱的〈另請參閱〉一節CreateAutoMLJobV2
並選擇。SDK例如,對於 Python 使用者,請參閱 AWS SDK for Python (Boto3)中 create_auto_ml_job_v2
的完整要求語法。
以下是影像分類中使用之CreateAutoMLJobV2
API動作的強制性和選擇性輸入要求參數的集合。
必要參數
呼叫 CreateAutoMLJobV2
以建立一個影像分類的 Autopilot 實驗時,您必須提供下方的值:
-
AutoMLJobName
,用來指定任務的名稱。 -
至少有一個
AutoMLJobInputDataConfig
中的AutoMLJobChannel
來指定您的資料來源。 -
OutputDataConfig
,指定 Amazon S3 輸出路徑,以儲存 AutoML 任務的成品。 -
A
RoleArn
,指定ARN用於存取資料的角色。
所有其他參數都是選用參數。
選用的參數
以下各章節提供詳細資訊說明選用的參數,您可以將這些參數傳遞至您的影像分類 AutoML 任務。
您可以提供自己的驗證資料集和自訂資料分割比例,或讓 Autopilot 自動分割資料集。
每個AutoMLJobChannel
物件 (請參閱必要的參數 A utoMLJob InputDataConfig) 都有一個ChannelType
,可以設定為training
或validation
值,指定建置機器學習模型時如何使用資料。
至少必須提供一個資料來源,最多允許兩個資料來源:一個用於訓練資料,另一個用於驗證資料。將資料分割為訓練和驗證資料集的方式,取決於您有一個或兩個資料來源。
將資料分割為訓練和驗證資料集的方式,取決於您有一個或兩個資料來源。
-
如果您只有一個資料來源,則
ChannelType
依預設會將其設定為training
,且必須具有此值。-
如果未設定
AutoMLDataSplitConfig
中的ValidationFraction
值,則預設會使用來自此來源的 0.2 (20%) 資料進行驗證。 -
如果設定
ValidationFraction
為介於 0 和 1 之間的值,則會根據指定的值來分割資料集,其中值會指定用於驗證的資料集分數。
-
-
如果您有兩個資料來源,則必須將其中一個
AutoMLJobChannel
物件的ChannelType
設定為training
,即預設值。其他資料來源的ChannelType
必須設定為validation
。這兩個資料來源必須具有相同的格式 (CSV或 Parquet),以及相同的資料架構。在這種情況下,您不得設定ValidationFraction
的值,因為每個來源的所有資料都會用於訓練或驗證。設定此值會導致錯誤。
若要針對 AutoML 工作的最佳模型候選項目啟用自動部署,請在 AutoML 工作請求中包含 ModelDeployConfig
。這將允許將最佳模型部署到 SageMaker 端點。以下是可用於自訂的組態。
-
若要讓 Autopilot 產生端點名稱,請將
AutoGenerateEndpointName
設定為True
。 -
若要為端點提供您自己的名稱,請設定
AutoGenerateEndpointName to
。False
and provide a name of your choice in EndpointName