Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
Den generischen Schätzer von SageMaker AI zur Erweiterung vorgefertigter DLC-Container verwenden
Sie können diese vordefinierten Container von SageMaker AI anpassen oder erweitern, um allen zusätzlichen funktionellen Anforderungen für Ihren Algorithmus oder Ihr Modell gerecht zu werden, die das vordefinierte Docker-Image von SageMaker AI nicht unterstützt. Ein Beispiel dafür, wie Sie einen vorgefertigten Container erweitern können, finden Sie unter Erweitern eines vorgefertigten Containers.
Um einen vorgefertigten Container zu erweitern oder Ihren eigenen Container an die Verwendung der Bibliothek anzupassen, müssen Sie eines der unter Unterstützte Frameworks aufgeführten Bilder verwenden.
Anmerkung
Ab TensorFlow 2.4.1 und PyTorch 1.8.1 unterstützen Framework-DLCs von SageMaker AI EFA-fähige Instance-Typen. Wir empfehlen, die DLC-Images zu verwenden, die TensorFlow 2.4.1 oder höher und PyTorch 1.8.1 oder höher enthalten.
Wenn Sie beispielsweise PyTorch verwenden, sollte Ihr Dockerfile eine FROM Anweisung enthalten, die der folgenden ähnelt:
# SageMaker AI PyTorch image FROM 763104351884.dkr.ecr.<aws-region>.amazonaws.com/pytorch-training:<image-tag>ENV PATH="/opt/ml/code:${PATH}" # this environment variable is used by the SageMaker AI PyTorch container to determine our user code directory. ENV SAGEMAKER_SUBMIT_DIRECTORY /opt/ml/code # /opt/ml and all subdirectories are utilized by SageMaker AI, use the /code subdirectory to store your user code. COPYtrain.py/opt/ml/code/train.py # Defines cifar10.py as script entrypoint ENV SAGEMAKER_PROGRAMtrain.py
Sie können Ihren eigenen Docker-Container mithilfe des SageMaker-Training-Toolkits
