Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.

Exemples et informations supplémentaires : utilisez votre propre algorithme ou modèle

Les blocs-notes Jupyter suivants et les informations ajoutées montrent comment utiliser vos propres algorithmes ou vos modèles pré-entraînés à partir d’une instance de bloc-notes Amazon SageMaker. Pour obtenir des liens vers les référentiels GitHub avec les fichiers Dockerfile préconçus pour les cadres TensorFlow, MXNet, Chainer et PyTorch, et des instructions sur l’utilisation des estimateurs AWS SDK pour Python (Boto3) pour exécuter vos propres algorithmes d’entraînement sur SageMaker Learner AI et vos propres modèles sur le service d’hébergement SageMaker AI, consultez Images SageMaker AI Docker préconçues pour le deep learning.

Configuration

Hébergement de modèles entraînés dans Scikit-learn

Pour apprendre à héberger des modèles entraînés dans Scikit-learn pour réaliser des prédictions dans SageMaker AI en les injectant dans des conteneurs XGBoost et des k-moyennes (k-means) nominatives, consultez les exemples de blocs-notes suivants.

Mise en package de modèles TensorFlow et Scikit-learn pour leur utilisation dans SageMaker AI

Pour apprendre à mettre en package les algorithmes que vous avez développés dans les cadres TensorFlow et scikit-learn pour l’entraînement et le déploiement dans l’environnement SageMaker AI, consultez les blocs-notes suivants. Ils vous expliquent comment créer, enregistrer et déployer vos propres conteneurs Docker à l’aide de Dockerfiles.

Entraînement et déploiement d’un réseau neuronal sur SageMaker AI

Pour apprendre à entraîner un réseau neuronal localement à l’aide de MXNet ou de TensorFlow, puis à créer un point de terminaison à partir du modèle entraîné et à le déployer sur SageMaker AI, consultez les blocs-notes suivants. Le modèle MXNet est formé à reconnaître les nombres manuscrits à partir du jeu de données MNIST. Le modèle TensorFlow est formé pour classer les iris.

Entraînement en mode Pipe

Pour apprendre à utiliser un fichier Dockerfile pour générer un conteneur qui appelle le train.py script et qui utilise le mode Pipe pour entraîner de façon personnalisée un algorithme, consultez le bloc-notes suivant. En mode Pipe, les données d’entrée sont transférées à l’algorithme pendant sa formation. Cela peut diminuer la durée de l’entraînement par rapport à l’utilisation du mode File.

Apport de votre propre modèle R

Pour découvrir comment utiliser l’ajout d’une image R personnalisée pour créer et entraîner un modèle dans un bloc-notes AWS SMS, consultez le billet de blog suivant. Ce billet de blog utilise un exemple de Dockerfile R issu d’une bibliothèque d’exemples d’images personnalisées SageMaker AI Studio Classic.

Extension d’une image de conteneur PyTorch préconçue

Pour apprendre à étendre une image de conteneur SageMaker AI PyTorch préconçue lorsque votre algorithme ou modèle a des exigences fonctionnelles supplémentaires que l’image Docker préconçue ne prend pas en charge, consultez le bloc-notes suivant.

Pour plus d’informations sur l’extension d’un conteneur, consultez Extension d’un conteneur préconçu.

Entraînement et débogage des tâches d’entraînement sur un conteneur personnalisé

Pour apprendre à entraîner et déboguer des tâches d’entraînement à l’aide de SageMaker Debugger, consultez le bloc-notes suivant. Un script d’entraînement fourni dans cet exemple utilise le modèle TensorFlow Keras ResNet 50 et le jeu de données CIFAR10. Un conteneur personnalisé Docker est créé avec le script d’entraînement, puis transmis à Amazon ECR. Pendant que la tâche d’entraînement s’exécute, Debugger collecte les sorties des tenseurs et identifie les problèmes de débogage. Avec les outils de la bibliothèque client smdebug, vous pouvez définir un objet test smdebug qui appelle la tâche d’entraînement et les informations de débogage, vérifie l’état de l’entraînement et de la règle de débogage, et récupère les tenseurs enregistrés dans un compartiment Amazon S3 afin d’analyser les problèmes d’entraînement.