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。
Amazon SageMaker 自動駕駛儀範例筆記本
下列筆記本提供可處理 Autopilot 各種使用案例的實用實作範例。
您可以在 SageMaker GitHub 範例儲存庫autopilot
我們建議您在 Studio 經典版中複製完整的 Git 儲存庫,以直接存取和執行筆記本。如需有關如何在工作室經典版中克隆 Git 存儲庫的信息,請參閱在 SageMaker 工作室經典中克隆一個 Git 存儲庫。
使用案例 | Description |
---|---|
無伺服器推論 |
根據預設,Autopilot 可讓您將產生的模型部署到即時推論端點。在這個儲存庫中,筆記本會說明如何將使用 |
Autopilot 會檢查您的資料集並執行多個候選項目,以找出資料預先處理步驟、機器學習演算法和超參數的最佳組合。您可以輕鬆部署在即時端點上或進行批次處理。 在某些情況下,您可能希望將自訂資料處理程式碼提供給 Autopilot 時具有彈性。例如,您的資料集可能包含大量獨立變數,您可能希望合併自訂功能選擇步驟,先移除不相關的變數。然後,可以使用產生的較小型資料集啟動一個 Autopilot 任務。最後,您還希望同時包含 Autopilot 的自訂處理程式碼和模型,進行即時或批次處理。 |
|
雖然 Autopilot 可簡化機器學習模型的建置程序,但 MLOP 工程師仍然負責在生產環境中建立、自動化和管理 end-to-end 機器學習工作流程。 SageMaker 管道可協助自動化 ML 生命週期的各個步驟,例如資料預處理、模型訓練、超參數調整、模型評估和部署。本筆記本可示範如何將 Autopilot 自動輔助駕駛納入 SageMaker 管道 end-to-end AutoML 訓練工作流程。若要在 Pipelines 內啟動 Autopilot 實驗,您必須使用 Pipelines Lambda 或 Processing 步驟寫入自訂整合程式碼,才能建立模型建置工作流程。如需詳細資訊,請參閱使用 Amazon 管道將 Amazon SageMaker Autopilot 機器學習模型從實驗移至生產環境 或者,在「合奏」模式下使用自動輔助駕駛時,您可以參考筆記本範例,該範例示範如何在SageMaker 管線的原生 AutoML 步驟中使用原生 |
|
更多筆記本 |