TensorFlow 框架處理器

TensorFlow 是一個開源的機器學習和人工智能庫。Amazon SageMaker Python 開發套件TensorFlowProcessor中的功能可讓您使用 TensorFlow 指令碼執行處理任務。當您使用時TensorFlowProcessor，您可以利用 Amazon 建置的 Docker 容器與受管理 TensorFlow 環境，這樣您就不需要攜帶自己的容器。

下列程式碼範例會示範如何使用提供及維護的 Docker 映像TensorFlowProcessor來執行處理工作。 SageMaker請注意，當您執行工作時，您可以在source_dir引數中指定一個包含指令碼和相依性的目錄，而且您可以在source_dir目錄中有一個requirements.txt檔案，指定處理指令碼的相依性。 SageMaker 處理會在容器requirements.txt中為您安裝相依性。

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}'
        )
    ]
)

如果您有一個 requirements.txt 檔案，該檔案應該會是您要在容器中安裝的程式庫清單。source_dir 的路徑可以是相對路徑、絕對路徑或 Amazon S3 URI 路徑。不過，如果您使用 Amazon S3 URI，那麼它必須指向一個 tar.gz 檔案。您可以在為 source_dir 指定的目錄中擁有多個指令碼。若要進一步了解TensorFlowProcessor類別，請參閱 Amazon SageMaker Python 開發套TensorFlow 件中的估算工具。