Compilazione di un modello (Amazon SageMaker AI SDK) - Amazon SageMaker AI

Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.

Compilazione di un modello (Amazon SageMaker AI SDK)

Per compilare un modello addestrato e ottimizzarlo per hardware di destinazione specifico, è possibile utilizzare l’API compile_model in Amazon SageMaker AI SDK per Python. L'API deve essere richiamata sull'oggetto dello strumento di valutazione utilizzato durante l'addestramento del modello.

Nota

Quando compili il modello con MXNet o PyTorch devi impostare la variabile di ambiente MMS_DEFAULT_RESPONSE_TIMEOUT su 500. La variabile di ambiente non è necessaria per TensorFlow.

Di seguito è riportato un esempio di come è possibile compilare un modello utilizzando l'oggetto trained_model_estimator: 

# Replace the value of expected_trained_model_input below and
# specify the name & shape of the expected inputs for your trained model
# in json dictionary form
expected_trained_model_input = {'data':[1, 784]}

# Replace the example target_instance_family below to your preferred target_instance_family
compiled_model = trained_model_estimator.compile_model(target_instance_family='ml_c5',
        input_shape=expected_trained_model_input,
        output_path='insert s3 output path',
        env={'MMS_DEFAULT_RESPONSE_TIMEOUT': '500'})

Il codice compila il modello, salva il modello ottimizzato in output_path e crea un modello SageMaker AI che può essere implementato su un endpoint.