Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.

Cómo ejecuta Amazon SageMaker AI su imagen de entrenamiento

Puede usar un script de punto de entrada personalizado para automatizar la infraestructura para entrenar en un entorno de producción. Si pasa el script de punto de entrada a tu contenedor de Docker, también puede ejecutarlo como un script independiente sin tener que volver a crear las imágenes. SageMaker procesa la imagen de entrenamiento mediante un script de punto de entrada de un contenedor de Docker.

En esta sección se muestra cómo usar un punto de entrada personalizado sin usar el kit de heramientas de entrenamiento. Si desea utilizar un punto de entrada personalizado pero no está familiarizado con la configuración manual de un contenedor de Docker, le recomendamos que utilice en su lugar la biblioteca de SageMaker Training Toolkit. Para más información sobre cómo utilizar el Training Toolkit, consulte Adaptación del contenedor de entrenamiento propio.

De forma predeterminada, SageMaker AI busca un script llamado train dentro del contenedor. También puede proporcionar manualmente su propio punto de entrada personalizado mediante los parámetros ContainerArguments y ContainerEntrypoint de la API AlgorithmSpecification.

Dispone de las dos opciones siguientes para configurar manualmente el contenedor de Docker para ejecutar la imagen.

Si pasa el script de entrenamiento desde fuera del contenedor de Docker, no tendrá que volver a crear el contenedor de Docker al actualizar el script. También puede usar varios scripts diferentes para que se ejecuten en el mismo contenedor.

El script de punto de entrada debe contener un código de entrenamiento para la imagen. Si utiliza el parámetro source_dir opcional dentro de un estimador, debería hacer referencia a la ruta relativa de Amazon S3 a la carpeta que contiene el script de punto de entrada. Puede hacer referencia a varios archivos mediante el parámetro source_dir. Si no usa source_dir, puede especificar el punto de entrada mediante el parámetro entry_point. Para ver un ejemplo de un script de punto de entrada personalizado que contiene un estimador, consulte Bring Your Own Model with SageMaker AI Script Mode.

El entrenamiento de modelos de SageMaker AI admite buckets de directorio de S3 Express One Zone de alto rendimiento como ubicación de entrada de datos para el modo de archivo, el modo de archivo rápido y el modo de canalización. También puede utilizar buckets de directorio de S3 Express One Zone para almacenar su salida de entrenamiento. Para usar S3 Express One Zone, proporcione el URI de un bucket de directorio de S3 Express One Zone en lugar de un bucket de uso general de Amazon S3. Solo puede cifrar los datos de salida de SageMaker AI en buckets de directorio con cifrado del servidor con claves administradas de Amazon S3 (SSE-S3). No se admite el cifrado del servidor con claves de AWS KMS (SSE-KMS) para almacenar los datos de salida de SageMaker AI en los buckets de directorio. Para obtener más información, consulte S3 Express One Zone.

Ejecute un trabajo de entrenamiento con un script de punto de entrada agrupado en el contenedor de Docker

SageMaker AI puede ejecutar un script de punto de entrada incluido en el contenedor de Docker.

Para agrupar sus scripts de intérprete de comandosl o Python dentro de su imagen de Docker, o para proporcionar el script en un bucket de Amazon S3 o mediante la AWS Command Line Interface (CLI), continúe con la siguiente sección.

Agrupe su script de intérprete de comandos en un contenedor de Docker

Si quiere incluir un script de intérprete de comandos personalizado dentro de su imagen de Docker, siga estos pasos.

Agrupe su script de Python en un contenedor de Docker

Para agrupar un script de Python personalizado dentro de su imagen de Docker, siga estos pasos.

Ejecute un trabajo de entrenamiento con un script de punto de entrada fuera del contenedor de Docker

Puede usar su propio contenedor de Docker para el entrenamiento y pasar un script de punto de entrada desde fuera del contenedor de Docker. Estructurar el script de punto de entrada fuera del contenedor tiene algunas ventajas. Si actualiza el script de punto de entrada, no es necesario volver a crear el contenedor de Docker. También puede usar varios scripts diferentes para que se ejecuten en el mismo contenedor.

Especifique la ubicación del script de entrenamiento mediante los parámetros ContainerEntrypoint y ContainerArguments de la API AlgorithmSpecification. Estos puntos de entrada y argumentos se comportan de la misma manera que los puntos de entrada y los argumentos de Docker. Los valores de estos parámetros anulan los correspondientes ENTRYPOINT o CMD proporcionados como parte del contenedor de Docker.

Cuando pasa su script de punto de entrada personalizado a su contenedor de entrenamiento de Docker, las entradas que proporcione determinan el comportamiento del contenedor.

Puede usar cualquier fuente de InputDataConfig compatible en la API CreateTrainingJob para proporcionar un script de punto de entrada para ejecutar su imagen de entrenamiento.

Proporcionar el script de punto de entrada en un bucket de Amazon S3

Para proporcionar un script de punto de entrada personalizado mediante un bucket de S3, utilice el S3DataSource parámetro de la API DataSource para especificar la ubicación del script. Si utiliza el parámetro S3DataSource, se requiere lo siguiente.

En el siguiente ejemplo, se coloca un script denominado custom_entrypoint.sh en una ruta a un bucket de S3 s3://<bucket-name>/<bucket prefix>/custom_entrypoint.sh.

#!/bin/bash
echo "Running custom_entrypoint.sh"
echo "Hello you have provided the following arguments: " "$@"

A continuación, debe establecer la configuración del canal de datos de entrada para ejecutar un trabajo de entrenamiento. Hágalo utilizando AWS CLI directamente o con un archivo JSON.

Configurar el canal de datos de entrada utilizando AWS CLI con un archivo JSON

Para configurar el canal de datos de entrada con un archivo JSON, utilice AWS CLI como se muestra en la siguiente estructura de código. Asegúrese de que todos los campos siguientes utilicen la sintaxis de solicitud definida en la API CreateTrainingJob.

// run-my-training-job.json
{
 "AlgorithmSpecification": { 
        "ContainerEntrypoint": ["/bin/sh"],
        "ContainerArguments": ["/opt/ml/input/data/<your_channel_name>/custom_entrypoint.sh"],
         ...
   },
  "InputDataConfig": [ 
    { 
        "ChannelName": "<your_channel_name>",
        "DataSource": { 
            "S3DataSource": { 
                "S3DataDistributionType": "FullyReplicated",
                "S3DataType": "S3Prefix",
                "S3Uri": "s3://<bucket-name>/<bucket_prefix>"
            }
        },
        "InputMode": "File",
    },
    ...]
}

A continuación, ejecute el comando AWS CLI para iniciar el trabajo de entrenamiento desde el archivo JSON de la siguiente manera.

aws sagemaker create-training-job --cli-input-json file://run-my-training-job.json

Configurar el canal de datos de entrada utilizando AWS CLI directamente

Para configurar el canal de datos de entrada con un archivo JSON, utilice la siguiente estructura de código de AWS CLI.

aws --region <your-region> sagemaker create-training-job \
--training-job-name <your-training-job-name> \
--role-arn <your-execution-role-arn> \
--algorithm-specification '{ \
    "TrainingInputMode": "File", \
    "TrainingImage": "<your-ecr-image>", \
    "ContainerEntrypoint": ["/bin/sh"], \
    "ContainerArguments": ["/opt/ml/input/data/<your_channel_name>/custom_entrypoint.sh"]}' \
--input-data-config '[{ \
    "ChannelName":"<your_channel_name>", \
    "DataSource":{ \
        "S3DataSource":{ \
            "S3DataType":"S3Prefix", \
            "S3Uri":"s3://<bucket-name>/<bucket_prefix>", \
            "S3DataDistributionType":"FullyReplicated"}}}]' \
--output-data-config '{"S3OutputPath": "s3://custom-entrypoint-output-bucket/"}' \
--resource-config '{"VolumeSizeInGB":10,"InstanceCount":1,"InstanceType":"ml.m5.2xlarge"}' \
--stopping-condition '{"MaxRuntimeInSeconds": 180}'