Erstellen einer Algorithmusressource

So erstellen Sie eine Algorithmusressource (Konsole)

1. Öffnen Sie die SageMaker-AI-Konsole unter https://console.aws.amazon.com/sagemaker/.

2. Wählen Sie aus dem linken Menü Training aus.

3. Wählen Sie aus dem Dropdown-Menü die Option Algorithmen und dannAlgorithmus erstellen aus.

4. Geben Sie auf der Seite Training specifications (Trainingsspezifikationen) folgende Informationen an:

   1. Geben Sie unter Algorithm name (Name des Algorithmus) einen Namen für den Algorithmus ein. Der Name des Algorithmus muss in Ihrem Konto und der AWS-Region eindeutig sein. Der Name muss 1 bis 64 Zeichen enthalten. Gültige Zeichen sind a–z, A-Z, 0–9 und Bindestrich (-).

   2. Geben Sie eine Beschreibung für den Algorithmus ein. Diese Beschreibung erscheint in der SageMaker-AI-Konsole und in den AWS Marketplace.

   3. Geben Sie unter Trainings-Image den Pfad in Amazon ECR ein, in dem Ihr Trainingscontainer gespeichert ist.

   4. Wählen Sie für Support distributed training (Verteilte Trainings unterstützen) die Option Yes (Ja) aus, wenn Ihr Algorithmus Trainings auf mehreren Instances unterstützt. Wählen Sie andernfalls No (Nein) aus.

   5. Wählen Sie für Support instance types for training (Instance-Typen für Trainings unterstützen) die Instance-Typen aus, die Ihr Algorithmus unterstützt.

   6. Geben Sie für Channel specification (Kanalspezifikation) bis zu 8 Kanäle für Eingabedaten Ihres Algorithmus an. Sie können beispielsweise 3 Eingabekanäle mit dem Namen train, validation und test angeben. Geben Sie für jeden Kanal die folgenden Informationen an:

      1. Geben Sie im Feld Channel name (Kanalname) einen Namen für den Kanal ein. Der Name muss 1 bis 64 Zeichen enthalten. Gültige Zeichen sind a–z, A-Z, 0–9 und Bindestrich (-).

      2. Damit der Kanal für Ihren Algorithmus angefordert wird, wählen Sie Channel required (Kanal erforderlich) aus.

      3. Geben Sie eine Beschreibung für den Kanal ein.

      4. Wählen Sie für Supported input modes (Unterstützte Eingabemodi) die Option Pipe mode (Pipe-Modus) aus, wenn Ihr Algorithmus das Streamen von Eingabedaten unterstützt, und File mode (Dateimodus), wenn Ihr Algorithmus das Herunterladen der Eingabedaten als Datei unterstützt. Sie können beides auswählen.

      5. Geben Sie für Supported content types (Unterstützte Inhaltstypen) den MIME-Typ ein, den Ihr Algorithmus für Eingabedaten erwartet.

      6. Wählen Sie für Supported compression type (Unterstützter Komprimierungstyp) die Option Gzip aus, wenn Ihr Algorithmus die Gzip-Komprimierung unterstützt. Klicken Sie andernfalls auf None (Keine).

      7. Wählen Sie Add (Hinzufügen) zum Hinzufügen einer weiteren Dateneingabe oder Next (Weiter) aus, wenn Sie damit fertig sind.

5. Geben Sie auf der Seite Tuning specifications (Optimierungsspezifikationen) folgende Informationen an:

   1. Geben Sie für Hyperparameter specification (Hyperparameterspezifikation) die Hyperparameter ein, die Ihr Algorithmus durch Bearbeiten des JSON-Objekts unterstützt. Erstellen Sie für jeden von Ihrem Algorithmus unterstützten Hyperparameter einen JSON-Block, der etwa wie folgt aussieht:

      {
      "DefaultValue": "5",
      "Description": "The first hyperparameter",
      "IsRequired": true,
      "IsTunable": false,
      "Name": "intRange",
      "Range": {
      "IntegerParameterRangeSpecification": {
      "MaxValue": "10",
      "MinValue": "1"
      },
      "Type": "Integer"
      }

      Geben Sie Folgendes in die JSON ein:

      1. Geben Sie für DefaultValue einen Standardwert für den Hyperparameter an, falls vorhanden.

      2. Geben Sie für Description eine Beschreibung für den Hyperparameter ein.

      3. Geben Sie für IsRequired an, ob der Hyperparameter erforderlich ist.

      4. Geben Sie für IsTunable true an, falls dieser Hyperparameter optimiert werden kann, wenn ein Benutzer einen Hyperparameteroptimierung ausführt, der diesen Algorithmus verwendet. Weitere Informationen finden Sie unter Automatisches Modelloptiming mit KI SageMaker .

      5. Geben Sie für Name einem Namen für den Hyperparameter ein.

      6. Geben Sie für Range einen der folgenden Werte an:

         • IntegerParameterRangeSpecification – Die Werte der Hyperparameter sind Ganzzahlen. Geben Sie die Mindest- und Höchstwerte für den Hyperparameter an.

         • ContinuousParameterRangeSpecification – Die Werte des Hyperparameters sind Gleitkommawerte. Geben Sie die Mindest- und Höchstwerte für den Hyperparameter an.

         • CategoricalParameterRangeSpecification – Die Werte des Hyperparameters sind kategorische Werte. Geben Sie eine Liste aller möglichen Werte an.

      7. Legen Sie für Type die Option Integer, Continuous oder Categorical fest. Der Wert muss dem Typ Range entsprechen, den Sie angegeben haben.

   2. Geben Sie unter Metrikdefinitionen alle Trainingsmetriken an, die Ihr Algorithmus ausgeben soll. SageMaker AI verwendet den regulären Ausdruck, den Sie angeben, um die Metriken zu finden, indem es die Protokolle Ihres Trainingscontainers während des Trainings analysiert. Benutzer können diese Metriken anzeigen, wenn sie Trainingsaufträge mit Ihrem Algorithmus ausführen, und sie können die Metriken in Amazon CloudWatch überwachen und darstellen. Weitere Informationen finden Sie unter Amazon-CloudWatch-Metriken zur Überwachung und Analyse von Trainingsjobs. Stellen Sie für jede Metrik die folgenden Informationen bereit:

      1. Geben Sie für Metric name (Metrikname) einen Namen für die Metrik ein.

      2. Geben Sie für Regex den regulären Ausdruck ein, den SageMaker AI verwendet, um die Trainingsprotokolle zu analysieren, damit es den Metrikwert finden kann.

      3. Wählen Sie für Objective metric support (Unterstützung für objektive Metrik) die Option Yes (Ja) aus, wenn diese Metrik als objektive Metrik für einen Hyperparameteroptimierungsauftrag verwendet werden kann. Weitere Informationen finden Sie unter Automatisches Modelloptiming mit KI SageMaker .

      4. Wählen Sie Add metric (Metrik hinzufügen) zum Hinzufügen einer weiteren Metrik oder Next (Weiter) aus, wenn Sie damit fertig sind.

6. Geben Sie auf der Seite Inference specifications (Inferenzspezifikationen) die folgenden Informationen ein, wenn Ihr Algorithmus Inferenz unterstützt:

   1. Geben Sie bei Speicherort des Inferenz-Image den Pfad in Amazon ECR ein, unter dem Ihr Inferenz-Container gespeichert ist.

   2. Geben Sie für Container DNS host name (DNS-Hostname des Containers) den Namen eines DNS-Hosts für Ihr Image ein.

   3. Wählen Sie für unterstützte Instance-Typen für Echtzeit-Inferenz die Instance-Typen, die Ihr Algorithmus für Modelle unterstützt, die als gehostete Endpunkte in SageMaker AI eingesetzt werden. Weitere Informationen finden Sie unter Modelle für Inference einsetzen.

   4. Wählen Sie für Supported instance types for batch transform jobs (Unterstützte Instance-Typen für Stapelumwandlungsaufträge) die Instance-Typen aus, die Ihr Algorithmus für Stapelumwandlungsaufträge unterstützt. Weitere Informationen finden Sie unter Batch-Transformation für Inferenz mit Amazon AI SageMaker .

   5. Geben Sie für Supported content types (Unterstützte Inhaltstypen) den Typ der Eingabedaten ein, den Ihr Algorithmus für Inferenzanforderungen erwartet.

   6. Geben Sie für Supported response MIME types (Unterstützte MIME-Antworttypen) die MIME-Typen ein, die Ihr Algorithmus für Inferenzantworten unterstützt.

   7. Wählen Sie Weiter aus.

7. Geben Sie auf der Seite Validation specifications (Validierungsspezifikationen) folgende Informationen an:

   1. Wählen Sie bei Veröffentlichen dieses Algorithmus auf AWS Marketplace die Option Ja, um den Algorithmus auf AWS Marketplace zu veröffentlichen.

   2. Wählen Sie für Diese Ressource validieren die Option Ja aus, wenn SageMaker AI Trainingsjobs und/oder Batch-Transformationsaufträge ausführen sollen, die Sie zum Testen des Trainings- und/oder Inferenzcodes Ihres Algorithmus angeben.

      Anmerkung

      Zum Veröffentlichen Ihres Algorithmus in AWS Marketplace muss Ihr Algorithmus validiert werden.

   3. Wählen Sie für IAM-Rolle eine IAM-Rolle aus, die über die erforderlichen Berechtigungen zur Ausführung von Trainingsjobs und Stapelumwandlungsaufträgen in SageMaker AI verfügt, oder wählen Sie Neue Rolle erstellen, damit SageMaker AI eine Rolle erstellen kann, der AmazonSageMakerFullAccess die verwaltete Richtlinie zugeordnet ist. Weitere Informationen finden Sie unter Wie verwendet man SageMaker AI-Ausführungsrollen.

   4. Geben Sie für Validation profile (Validierungsprofil) Folgendes an:

      • Einen Namen für das Validierungsprofil.

      • Eine Training job definition (Trainingsauftragsdefinition). Hierbei handelt es sich um einen JSON-Block, der einen Trainingsauftrag beschreibt. Dieser hat dasselbe Format wie der TrainingJobDefinition-Eingabeparameter der CreateAlgorithm-API.

      • Eine Transform job definition (Umwandlungsauftragsdefinition). Hierbei handelt es sich um einen JSON-Block, der einen Stapelumwandlungsauftrag beschreibt. Dieser hat dasselbe Format wie der TransformJobDefinition-Eingabeparameter der CreateAlgorithm-API.

   5. Wählen Sie Create algorithm (Algorithmus erstellen) aus.