Zugriff auf Docker-Images für Scikit-learn und Spark ML - Amazon SageMaker KI
Zugriff auf ein Image über das SageMaker AI Python SDK Manuelles Angeben der vordefinierten Images

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.

Zugriff auf Docker-Images für Scikit-learn und Spark ML

SageMaker AI bietet vordefinierte Docker-Images, die die Scikit-Learn- und Spark-ML-Bibliotheken installieren. Diese Bibliotheken enthalten auch die Abhängigkeiten, die für die Erstellung von Docker-Images erforderlich sind, die mit SageMaker AI mithilfe des Amazon SageMaker Python SDK kompatibel sind. Mit dem SDK können Sie Scikit-learn für Machine-Learning-Aufgaben und Spark ML zum Erstellen und Optimieren von Machine-Learning-Pipelines verwenden. Weitere Informationen zur Installation und Verwendung des SDK finden Sie unter SageMaker Python SDK.

Sie können auch von einem Amazon-ECR-Repository in Ihrer eigenen Umgebung aus auf die Images zugreifen.

Verwenden Sie die folgenden Befehle, um herauszufinden, welche Versionen der Images verfügbar sind. Verwenden Sie beispielsweise Folgendes, um das verfügbare sagemaker-sparkml-serving-Image in der Region ca-central-1 zu finden:

aws \
    ecr describe-images \
    --region ca-central-1 \
    --registry-id 341280168497 \
    --repository-name sagemaker-sparkml-serving

Zugriff auf ein Image über das SageMaker AI Python SDK

Die folgende Tabelle enthält Links zu den GitHub-Repositorys mit dem Quellcode für die Scikit-Learn- und Spark ML-Container. Die Tabelle enthält auch Links zu Anweisungen, die zeigen, wie Sie diese Container mit Python-SDK-Schätzern verwenden, um Ihre eigenen Trainingsalgorhythmen auszuführen und Ihre eigenen Modelle zu hosten.

Bibliothek Quellcode des vorkonfigurierten Docker-Images Anweisungen
Scikit-learn

SageMaker AI Scikit-learn Containers

Using Scikit-learn with the Amazon SageMaker Python SDK
Spark ML

SageMaker AI SparkML Serving Containers

SparkML-Python-SDK-Dokumentation

Weitere Informationen und Links zu Github-Repositorys finden Sie unter Ressourcen für die Verwendung von Scikit-Learn mit Amazon AI SageMaker und Ressourcen für die Verwendung von SparkML Serving mit Amazon AI SageMaker .

Manuelles Angeben der vordefinierten Images

Wenn Sie zur Verwaltung des Containers nicht das SageMaker Python-SDK und eines seiner Schätzfunktionen verwenden, müssen Sie den entsprechenden vordefinierten Container abrufen. Die vorgefertigten Regel-Docker-Images von Amazon SageMaker AI werden in der Amazon Elastic Container Registry (Amazon ECR) gespeichert. Sie können sie über ihre Vollnamen-Registrierungsadressen ein- oder ausblenden. SageMaker AI verwendet die folgenden Docker-Image-URL-Muster für Scikit-Learn und Spark ML:

  • <ACCOUNT_ID>.dkr.ecr.<REGION_NAME>.amazonaws.com/sagemaker-scikit-learn:<SCIKIT-LEARN_VERSION>-cpu-py<PYTHON_VERSION>

    Beispiel: 746614075791.dkr.ecr.us-west-1.amazonaws.com/sagemaker-scikit-learn:1.2-1-cpu-py3

  • <ACCOUNT_ID>.dkr.ecr.<REGION_NAME>.amazonaws.com/sagemaker-sparkml-serving:<SPARK-ML_VERSION>

    Beispiel: 341280168497.dkr.ecr.ca-central-1.amazonaws.com/sagemaker-sparkml-serving:2.4

Konto-IDs und AWS-Regionsnamen finden Sie unter Docker-Registry-Pfade und Beispielcode.