Δεκάδες χιλιάδες πελάτες AWS χρησιμοποιούν υπηρεσίες μηχανικής εκμάθησης AWS (ML) για να επιταχύνουν την ανάπτυξή τους ML με πλήρως διαχειριζόμενη υποδομή και εργαλεία. Για πελάτες που έχουν αναπτύξει μοντέλα ML σε εγκαταστάσεις, όπως η τοπική επιφάνεια εργασίας τους, θέλουν να μετεγκαταστήσουν τα μοντέλα ML παλαιού τύπου στο AWS Cloud για να επωφεληθούν πλήρως από το πιο ολοκληρωμένο σύνολο υπηρεσιών ML, υποδομής και πόρων υλοποίησης που διατίθενται στο AWS .
Ο όρος κωδικός παλαιού τύπου αναφέρεται σε κώδικα που αναπτύχθηκε για να εκτελείται με μη αυτόματο τρόπο σε μια τοπική επιφάνεια εργασίας και δεν έχει κατασκευαστεί με SDK με δυνατότητα cloud, όπως το AWS SDK για Python (Boto3) or Amazon SageMaker Python SDK. Με άλλα λόγια, αυτοί οι κώδικες παλαιού τύπου δεν είναι βελτιστοποιημένοι για ανάπτυξη cloud. Η καλύτερη πρακτική για τη μετεγκατάσταση είναι η αναμόρφωση αυτών των παλαιών κωδικών χρησιμοποιώντας το Amazon SageMaker API ή το SageMaker Python SDK. Ωστόσο, σε ορισμένες περιπτώσεις, οι οργανισμοί με μεγάλο αριθμό μοντέλων παλαιού τύπου ενδέχεται να μην έχουν το χρόνο ή τους πόρους για να ξαναγράψουν όλα αυτά τα μοντέλα.
Σε αυτήν την ανάρτηση, μοιραζόμαστε μια επεκτάσιμη και εύκολη στην εφαρμογή προσέγγιση για τη μετεγκατάσταση του κώδικα ML παλαιού τύπου στο AWS Cloud για συμπέρασμα χρησιμοποιώντας Amazon Sage Maker και Λειτουργίες βημάτων AWS, με την ελάχιστη ποσότητα αναδιαμόρφωσης κώδικα που απαιτείται. Μπορείτε εύκολα να επεκτείνετε αυτήν τη λύση για να προσθέσετε περισσότερη λειτουργικότητα. Δείχνουμε πώς δύο διαφορετικές προσωπικότητες, ένας επιστήμονας δεδομένων και ένας μηχανικός MLOps, μπορούν να συνεργαστούν για να βελτιώσουν και να αλλάξουν εκατοντάδες μοντέλα παλαιού τύπου.
Επισκόπηση λύσεων
Σε αυτό το πλαίσιο, εκτελούμε τον κώδικα παλαιού τύπου σε ένα κοντέινερ ως α Επεξεργασία SageMaker δουλειά. Το SageMaker εκτελεί το σενάριο παλαιού τύπου μέσα σε ένα κοντέινερ επεξεργασίας. Η εικόνα του κοντέινερ επεξεργασίας μπορεί να είναι είτε μια ενσωματωμένη εικόνα του SageMaker είτε μια προσαρμοσμένη εικόνα. Η υποκείμενη υποδομή για μια εργασία Επεξεργασίας διαχειρίζεται πλήρως το SageMaker. Δεν απαιτείται αλλαγή στον κωδικό παλαιού τύπου. Η εξοικείωση με τη δημιουργία εργασιών επεξεργασίας SageMaker είναι το μόνο που απαιτείται.
Υποθέτουμε τη συμμετοχή δύο προσώπων: ενός επιστήμονα δεδομένων και ενός μηχανικού MLOps. Ο επιστήμονας δεδομένων είναι υπεύθυνος για τη μεταφορά του κώδικα στο SageMaker, είτε χειροκίνητα είτε κλωνοποιώντας τον από ένα αποθετήριο κώδικα όπως AWS CodeCommit. Στούντιο Amazon SageMaker παρέχει ένα ολοκληρωμένο περιβάλλον ανάπτυξης (IDE) για την υλοποίηση διαφόρων βημάτων στον κύκλο ζωής ML και ο επιστήμονας δεδομένων το χρησιμοποιεί για να δημιουργήσει με μη αυτόματο τρόπο ένα προσαρμοσμένο κοντέινερ που περιέχει τα απαραίτητα τεχνουργήματα κώδικα για ανάπτυξη. Το κοντέινερ θα καταχωρηθεί σε ένα μητρώο κοντέινερ όπως π.χ Μητρώο εμπορευματοκιβωτίων Amazon Elastic (Amazon ECR) για σκοπούς ανάπτυξης.
Ο μηχανικός του MLOps αναλαμβάνει τη δημιουργία μιας ροής εργασιών Step Functions που μπορούμε να χρησιμοποιήσουμε ξανά για να αναπτύξουμε το προσαρμοσμένο κοντέινερ που αναπτύχθηκε από τον επιστήμονα δεδομένων με τις κατάλληλες παραμέτρους. Η ροή εργασίας Step Functions μπορεί να είναι τόσο αρθρωτή όσο χρειάζεται για να ταιριάζει στην περίπτωση χρήσης ή μπορεί να αποτελείται από ένα μόνο βήμα για την έναρξη μιας μεμονωμένης διαδικασίας. Για να ελαχιστοποιήσουμε την προσπάθεια που απαιτείται για τη μετεγκατάσταση του κώδικα, έχουμε εντοπίσει τρία αρθρωτά στοιχεία για τη δημιουργία μιας πλήρως λειτουργικής διαδικασίας ανάπτυξης:
- Προεπεξεργασία
- Συμπέρασμα
- Μετεπεξεργασία
Το παρακάτω διάγραμμα απεικονίζει την αρχιτεκτονική λύση και τη ροή εργασίας μας.
Τα ακόλουθα βήματα εμπλέκονται σε αυτή τη λύση:
- Η περσόνα του επιστήμονα δεδομένων χρησιμοποιεί το Studio για να εισαγάγει κώδικα παλαιού τύπου μέσω κλωνοποίησης από ένα αποθετήριο κώδικα και, στη συνέχεια, διαμορφώνοντας τον κώδικα σε ξεχωριστά στοιχεία που ακολουθούν τα βήματα του κύκλου ζωής ML (προεπεξεργασία, συμπέρασμα και μεταεπεξεργασία).
- Ο επιστήμονας δεδομένων χρησιμοποιεί το Studio, και συγκεκριμένα το Studio Image Build CLI εργαλείο που παρέχεται από το SageMaker, για τη δημιουργία μιας εικόνας Docker. Αυτό το εργαλείο CLI επιτρέπει στον επιστήμονα δεδομένων να δημιουργήσει την εικόνα απευθείας μέσα στο Studio και καταχωρεί αυτόματα την εικόνα στο Amazon ECR.
- Ο μηχανικός MLOps χρησιμοποιεί την καταχωρημένη εικόνα κοντέινερ και δημιουργεί μια ανάπτυξη για μια συγκεκριμένη περίπτωση χρήσης χρησιμοποιώντας τις Λειτουργίες Βήματος. Το Step Functions είναι μια υπηρεσία ροής εργασίας χωρίς διακομιστή που μπορεί να ελέγχει τα API του SageMaker απευθείας μέσω της χρήσης της γλώσσας Amazon States.
Εργασία επεξεργασίας SageMaker
Ας καταλάβουμε πώς α Εργασία επεξεργασίας SageMaker τρέχει. Το παρακάτω διάγραμμα δείχνει πώς το SageMaker περιστρέφει μια εργασία Επεξεργασίας.
Το SageMaker παίρνει το σενάριό σας, αντιγράφει τα δεδομένα σας από Απλή υπηρεσία αποθήκευσης Amazon (Amazon S3), και στη συνέχεια τραβάει ένα δοχείο επεξεργασίας. Η εικόνα του κοντέινερ επεξεργασίας μπορεί να είναι είτε μια ενσωματωμένη εικόνα του SageMaker είτε μια προσαρμοσμένη εικόνα που παρέχετε. Η υποκείμενη υποδομή για μια εργασία Επεξεργασίας διαχειρίζεται πλήρως το SageMaker. Οι πόροι συμπλέγματος παρέχονται για τη διάρκεια της εργασίας σας και καθαρίζονται όταν ολοκληρωθεί μια εργασία. Η έξοδος της εργασίας Επεξεργασία αποθηκεύεται στον κάδο S3 που ορίσατε. Για να μάθετε περισσότερα σχετικά με την κατασκευή του δικού σας κοντέινερ, ανατρέξτε στο Δημιουργήστε το δικό σας κοντέινερ επεξεργασίας (Σύνθετο σενάριο).
Η εργασία SageMaker Processing ρυθμίζει την επεξεργασία της εικόνας σας χρησιμοποιώντας ένα σενάριο σημείου εισόδου κοντέινερ Docker. Μπορείτε επίσης να παρέχετε το δικό σας προσαρμοσμένο σημείο εισόδου χρησιμοποιώντας τις παραμέτρους ContainerEntrypoint και ContainerArguments του Προδιαγραφή εφαρμογής API. Εάν χρησιμοποιείτε το δικό σας προσαρμοσμένο σημείο εισόδου, έχετε την πρόσθετη ευελιξία να το εκτελέσετε ως αυτόνομο σενάριο χωρίς να δημιουργήσετε ξανά τις εικόνες σας.
Για αυτό το παράδειγμα, κατασκευάζουμε ένα προσαρμοσμένο κοντέινερ και χρησιμοποιούμε μια εργασία επεξεργασίας SageMaker για συμπεράσματα. Οι εργασίες προεπεξεργασίας και μεταεπεξεργασίας χρησιμοποιούν τη λειτουργία σεναρίου με ένα προκατασκευασμένο κοντέινερ scikit-learn.
Προϋποθέσεις
Για να ακολουθήσετε αυτήν την ανάρτηση, ολοκληρώστε τα παρακάτω προαπαιτούμενα βήματα:
- Δημιουργήστε έναν τομέα Studio. Για οδηγίες, ανατρέξτε στο Ενσωματωμένη στον τομέα Amazon SageMaker με χρήση γρήγορης εγκατάστασης.
- Δημιουργήστε έναν κάδο S3.
- Κλωνοποιήστε τα παρεχόμενα GitHub repo στο Studio.
Το αποθετήριο GitHub είναι οργανωμένο σε διαφορετικούς φακέλους που αντιστοιχούν σε διάφορα στάδια του κύκλου ζωής του ML, διευκολύνοντας την εύκολη πλοήγηση και διαχείριση:
Μετεγκατάσταση του κώδικα παλαιού τύπου
Σε αυτό το βήμα, ενεργούμε ως ο επιστήμονας δεδομένων που είναι υπεύθυνος για τη μετεγκατάσταση του κώδικα παλαιού τύπου.
Ξεκινάμε ανοίγοντας το build_and_push.ipynb
σημειωματάριο.
Το αρχικό κελί στο σημειωματάριο σας καθοδηγεί στην εγκατάσταση του Studio Image Build CLI. Αυτό το CLI απλοποιεί τη διαδικασία εγκατάστασης δημιουργώντας αυτόματα ένα επαναχρησιμοποιήσιμο περιβάλλον κατασκευής με το οποίο μπορείτε να αλληλεπιδράσετε μέσω εντολών υψηλού επιπέδου. Με το CLI, η δημιουργία μιας εικόνας είναι τόσο εύκολη όσο το να της πεις να δημιουργήσει και το αποτέλεσμα θα είναι ένας σύνδεσμος για τη θέση της εικόνας σου στο Amazon ECR. Αυτή η προσέγγιση εξαλείφει την ανάγκη διαχείρισης της πολύπλοκης υποκείμενης ροής εργασίας που ενορχηστρώνεται από το CLI, εκσυγχρονίζοντας τη διαδικασία δημιουργίας εικόνας.
Πριν εκτελέσουμε την εντολή build, είναι σημαντικό να διασφαλίσουμε ότι ο ρόλος που εκτελεί την εντολή έχει τα απαραίτητα δικαιώματα, όπως ορίζεται στο CLI GitHub readme ή σχετική ανάρτηση. Η αποτυχία παραχώρησης των απαιτούμενων δικαιωμάτων μπορεί να οδηγήσει σε σφάλματα κατά τη διαδικασία κατασκευής.
Δείτε τον ακόλουθο κώδικα:
Για να βελτιστοποιήσετε τον κώδικα παλαιού τύπου, χωρίστε τον σε τρία διακριτά σενάρια Python που ονομάζονται preprocessing.py, predict.py και postprocessing.py. Συμμορφωθείτε με τις βέλτιστες πρακτικές προγραμματισμού μετατρέποντας τον κώδικα σε συναρτήσεις που καλούνται από μια κύρια συνάρτηση. Βεβαιωθείτε ότι έχουν εισαχθεί όλες οι απαραίτητες βιβλιοθήκες και ότι το αρχείο απαιτήσεις.txt είναι ενημερωμένο ώστε να περιλαμβάνει τυχόν προσαρμοσμένες βιβλιοθήκες.
Αφού οργανώσετε τον κώδικα, συσκευάστε τον μαζί με το αρχείο απαιτήσεων σε ένα κοντέινερ Docker. Μπορείτε εύκολα να δημιουργήσετε το κοντέινερ μέσα από το Studio χρησιμοποιώντας την ακόλουθη εντολή:
Από προεπιλογή, η εικόνα θα προωθηθεί σε ένα αποθετήριο ECR που ονομάζεται sagemakerstudio με την τελευταία ετικέτα. Επιπλέον, θα χρησιμοποιηθεί ο ρόλος εκτέλεσης της εφαρμογής Studio, μαζί με τον προεπιλεγμένο κάδο SageMaker Python SDK S3. Ωστόσο, αυτές οι ρυθμίσεις μπορούν εύκολα να τροποποιηθούν χρησιμοποιώντας τις κατάλληλες επιλογές CLI. Δείτε τον παρακάτω κώδικα:
Τώρα που το κοντέινερ έχει κατασκευαστεί και καταχωρηθεί σε ένα αποθετήριο ECR, ήρθε η ώρα να βουτήξουμε βαθύτερα στο πώς μπορούμε να το χρησιμοποιήσουμε για την εκτέλεση του predict.py. Σας δείχνουμε επίσης τη διαδικασία χρήσης ενός προκατασκευασμένου scikit-μάθετε κοντέινερ για εκτέλεση των preprocessing.py και postprocessing.py.
Κατασκευάστε το δοχείο
Σε αυτό το βήμα, ενεργούμε ως μηχανικός MLOps που παράγει το δοχείο που κατασκευάστηκε στο προηγούμενο βήμα.
Χρησιμοποιούμε Λειτουργίες Βήματος για να ενορχηστρώσουμε τη ροή εργασίας. Το Step Functions επιτρέπει εξαιρετική ευελιξία στην ενσωμάτωση ποικίλου φάσματος υπηρεσιών στη ροή εργασιών, καλύπτοντας τυχόν υπάρχουσες εξαρτήσεις που μπορεί να υπάρχουν στο παλαιού τύπου σύστημα. Αυτή η προσέγγιση διασφαλίζει ότι όλα τα απαραίτητα εξαρτήματα ενσωματώνονται απρόσκοπτα και εκτελούνται με την επιθυμητή σειρά, με αποτέλεσμα μια αποτελεσματική και αποτελεσματική λύση ροής εργασιών.
Οι Step Functions μπορούν να ελέγχουν ορισμένες υπηρεσίες AWS απευθείας από τη γλώσσα των πολιτειών του Amazon. Για να μάθετε περισσότερα σχετικά με την εργασία με το Step Functions και την ενσωμάτωσή του με το SageMaker, ανατρέξτε στο Διαχειριστείτε το SageMaker με τις λειτουργίες Step. Χρησιμοποιώντας την ικανότητα ενοποίησης Step Functions με το SageMaker, εκτελούμε τα σενάρια προεπεξεργασίας και μεταεπεξεργασίας χρησιμοποιώντας μια εργασία επεξεργασίας SageMaker σε λειτουργία σεναρίου και εκτελούμε το συμπέρασμα ως εργασία επεξεργασίας SageMaker χρησιμοποιώντας μια προσαρμοσμένο δοχείο. Το κάνουμε χρησιμοποιώντας AWS SDK για Python (Boto3) CreateProcessingJob Κλήσεις API.
Προεπεξεργασία
Το SageMaker προσφέρει πολλές επιλογές για την εκτέλεση προσαρμοσμένου κώδικα. Εάν έχετε μόνο ένα σενάριο χωρίς προσαρμοσμένες εξαρτήσεις, μπορείτε να εκτελέσετε το σενάριο ως Bring Your Own Script (BYOS). Για να το κάνετε αυτό, απλώς περάστε το σενάριό σας στο προκατασκευασμένο κοντέινερ πλαισίου scikit-learn και εκτελέστε μια εργασία επεξεργασίας SageMaker σε λειτουργία σεναρίου χρησιμοποιώντας τις παραμέτρους ContainerArguments και ContainerEntrypoint στο Προδιαγραφή εφαρμογής API. Αυτή είναι μια απλή και βολική μέθοδος για την εκτέλεση απλών σεναρίων.
Ελέγξτε τη διαμόρφωση κατάστασης "Προεπεξεργασία δέσμης ενεργειών" στο δείγμα ροής εργασιών Βήμα Λειτουργίες για να κατανοήσετε πώς να ρυθμίσετε τις παραμέτρους της κλήσης CreateProcessingJob API για την εκτέλεση μιας προσαρμοσμένης δέσμης ενεργειών.
Συμπέρασμα
Μπορείτε να εκτελέσετε ένα προσαρμοσμένο κοντέινερ χρησιμοποιώντας το Κατασκευάστε το δικό σας δοχείο επεξεργασίας πλησιάζω. Η εργασία SageMaker Processing λειτουργεί με το /opt/ml
τοπική διαδρομή και μπορείτε να καθορίσετε τα ProcessingInputs και την τοπική τους διαδρομή στη διαμόρφωση. Στη συνέχεια, η εργασία Επεξεργασία αντιγράφει τα τεχνουργήματα στο τοπικό κοντέινερ και ξεκινά την εργασία. Αφού ολοκληρωθεί η εργασία, αντιγράφει τα τεχνουργήματα που καθορίζονται στην τοπική διαδρομή των ProcessingOutputs στην καθορισμένη εξωτερική του θέση.
Ρίξτε μια ματιά στη διαμόρφωση κατάστασης "Εξαγωγή προσαρμοσμένου κοντέινερ" στο δείγμα ροής εργασιών Βήμα Λειτουργίες για να κατανοήσετε πώς να ρυθμίσετε τις παραμέτρους της κλήσης CreateProcessingJob API για την εκτέλεση ενός προσαρμοσμένου κοντέινερ.
Μετεπεξεργασία
Μπορείτε να εκτελέσετε ένα σενάριο μεταεπεξεργασίας ακριβώς όπως ένα σενάριο προεπεξεργασίας χρησιμοποιώντας το βήμα Λειτουργίες Βήματος CreateProcessingJob. Η εκτέλεση ενός σεναρίου μεταεπεξεργασίας σάς επιτρέπει να εκτελείτε προσαρμοσμένες εργασίες επεξεργασίας μετά την ολοκλήρωση της εργασίας συμπερασμάτων.
Δημιουργήστε τη ροή εργασίας Step Functions
Για γρήγορη δημιουργία πρωτοτύπων, χρησιμοποιούμε τις Λειτουργίες Βήματος Γλώσσα του Αμαζονίου. Μπορείτε να επεξεργαστείτε τον ορισμό των Λειτουργιών Βημάτων απευθείας χρησιμοποιώντας τη Γλώσσα καταστάσεων. Αναφέρομαι στο δείγμα ροής εργασιών Βήμα Λειτουργίες.
Μπορείτε να δημιουργήσετε μια νέα μηχανή κατάστασης Step Functions στην κονσόλα Step Functions επιλέγοντας Γράψτε τη ροή εργασίας σας σε κώδικα.
Οι Βήμα Συναρτήσεις μπορούν να εξετάσουν τους πόρους που χρησιμοποιείτε και να δημιουργήσουν έναν ρόλο. Ωστόσο, μπορεί να δείτε το ακόλουθο μήνυμα:
"Οι συναρτήσεις βημάτων δεν μπορούν να δημιουργήσουν μια πολιτική IAM εάν το RoleArn για το SageMaker προέρχεται από μια διαδρομή. Κωδικοποιήστε σκληρό το SageMaker RoleArn στον ορισμό του μηχανήματος κατάστασης ή επιλέξτε έναν υπάρχοντα ρόλο με τα κατάλληλα δικαιώματα για τις λειτουργίες Step για να καλέσετε το SageMaker.
Για να το αντιμετωπίσετε, πρέπει να δημιουργήσετε ένα Διαχείριση ταυτότητας και πρόσβασης AWS ρόλος (IAM) για τις συναρτήσεις βημάτων. Για οδηγίες, ανατρέξτε στο Δημιουργία ενός ρόλου IAM για την κρατική μηχανή σας. Στη συνέχεια, επισυνάψτε την ακόλουθη πολιτική IAM για να παρέχετε τα απαιτούμενα δικαιώματα για την εκτέλεση της ροής εργασίας:
Το παρακάτω σχήμα απεικονίζει τη ροή δεδομένων και εικόνων κοντέινερ σε κάθε βήμα της ροής εργασίας Βήμα Λειτουργίες.
Ακολουθεί μια λίστα με τις ελάχιστες απαιτούμενες παραμέτρους για αρχικοποίηση στις Λειτουργίες Βήματος. μπορείτε επίσης να ανατρέξετε στο δείγμα παραμέτρων εισαγωγής JSON:
- input_uri – Το S3 URI για τα αρχεία εισόδου
- output_uri – Το S3 URI για τα αρχεία εξόδου
- code_uri – Το S3 URI για αρχεία σεναρίων
- custom_image_uri – Το URI κοντέινερ για το προσαρμοσμένο κοντέινερ που έχετε δημιουργήσει
- scikit_image_uri – Το κοντέινερ URI για το προκατασκευασμένο πλαίσιο scikit-learn
- ρόλος – Ο ρόλος εκτέλεσης για την εκτέλεση της εργασίας
- instance_type – Ο τύπος παρουσίας που πρέπει να χρησιμοποιήσετε για να εκτελέσετε το κοντέινερ
- όγκο_μέγεθος – Το μέγεθος όγκου αποθήκευσης που χρειάζεστε για το δοχείο
- max_runtime – Ο μέγιστος χρόνος εκτέλεσης για το κοντέινερ, με προεπιλεγμένη τιμή 1 ώρα
Εκτελέστε τη ροή εργασίας
Αναλύσαμε τον κώδικα παλαιού τύπου σε διαχειρίσιμα μέρη: προεπεξεργασία, συμπέρασμα και μεταεπεξεργασία. Για να υποστηρίξουμε τις ανάγκες συμπερασμάτων μας, κατασκευάσαμε ένα προσαρμοσμένο κοντέινερ εξοπλισμένο με τις απαραίτητες εξαρτήσεις βιβλιοθήκης. Το σχέδιό μας είναι να χρησιμοποιήσουμε το Step Functions, εκμεταλλευόμενοι την ικανότητά του να καλεί το SageMaker API. Δείξαμε δύο μεθόδους για την εκτέλεση προσαρμοσμένου κώδικα χρησιμοποιώντας το SageMaker API: μια εργασία επεξεργασίας SageMaker που χρησιμοποιεί μια προκατασκευασμένη εικόνα και παίρνει ένα προσαρμοσμένο σενάριο κατά την εκτέλεση και μια εργασία επεξεργασίας SageMaker που χρησιμοποιεί ένα προσαρμοσμένο κοντέινερ, το οποίο είναι συσκευασμένο με τα απαραίτητα τεχνουργήματα για την εκτέλεση προσαρμοσμένων συμπερασμάτων.
Το παρακάτω σχήμα δείχνει την εκτέλεση της ροής εργασίας Βήμα Λειτουργίες.
Χαρακτηριστικά
Σε αυτήν την ανάρτηση, συζητήσαμε τη διαδικασία μετεγκατάστασης κώδικα ML Python παλαιού τύπου από τοπικά περιβάλλοντα ανάπτυξης και την εφαρμογή μιας τυποποιημένης διαδικασίας MLOps. Με αυτήν την προσέγγιση, μπορείτε να μεταφέρετε αβίαστα εκατοντάδες μοντέλα και να ενσωματώσετε τις επιθυμητές πρακτικές ανάπτυξης της επιχείρησης. Παρουσιάσαμε δύο διαφορετικές μεθόδους για την εκτέλεση προσαρμοσμένου κώδικα στο SageMaker και μπορείτε να επιλέξετε αυτή που ταιριάζει καλύτερα στις ανάγκες σας.
Εάν χρειάζεστε μια εξαιρετικά προσαρμόσιμη λύση, συνιστάται να χρησιμοποιήσετε την προσαρμοσμένη προσέγγιση κοντέινερ. Μπορεί να θεωρήσετε πιο κατάλληλο να χρησιμοποιήσετε προκατασκευασμένες εικόνες για να εκτελέσετε το προσαρμοσμένο σενάριο, εάν έχετε βασικά σενάρια και δεν χρειάζεται να δημιουργήσετε το προσαρμοσμένο κοντέινερ, όπως περιγράφεται στο βήμα προεπεξεργασίας που αναφέρθηκε προηγουμένως. Επιπλέον, εάν απαιτείται, μπορείτε να εφαρμόσετε αυτήν τη λύση για τη δημιουργία κοντέινερ στα βήματα εκπαίδευσης και αξιολόγησης μοντέλων παλαιού τύπου, όπως ακριβώς και ο τρόπος με τον οποίο το βήμα συμπερασμάτων δεσμεύεται σε αυτήν την ανάρτηση.
Σχετικά με τους Συγγραφείς
Bhavana Chirumamilla είναι Senior Resident Architect στο AWS με έντονο πάθος για τις λειτουργίες δεδομένων και μηχανικής μάθησης. Προσφέρει μια πληθώρα εμπειρίας και ενθουσιασμού για να βοηθήσει τις επιχειρήσεις να δημιουργήσουν αποτελεσματικές στρατηγικές δεδομένων και ML. Στον ελεύθερο χρόνο της, η Bhavana απολαμβάνει να περνά χρόνο με την οικογένειά της και να συμμετέχει σε διάφορες δραστηριότητες όπως ταξίδια, πεζοπορία, κηπουρική και παρακολούθηση ντοκιμαντέρ.
Σιάμ Ναμαβαράμ είναι ανώτερος αρχιτέκτονας λύσεων τεχνητής νοημοσύνης (AI) και μηχανικής μάθησης (ML) στην Amazon Web Services (AWS). Συνεργάζεται με πάθος με πελάτες για να επιταχύνει την υιοθέτηση AI και ML παρέχοντας τεχνική καθοδήγηση και βοηθώντας τους να καινοτομήσουν και να δημιουργήσουν ασφαλείς λύσεις cloud στο AWS. Ειδικεύεται σε τεχνολογίες τεχνητής νοημοσύνης και ML, κοντέινερ και αναλυτικών στοιχείων. Εκτός δουλειάς, του αρέσει να παίζει σπορ και να βιώνει τη φύση με πεζοπορία.
Κινγκγουέι Λι είναι ειδικός μηχανικής μάθησης στο Amazon Web Services. Έλαβε το διδακτορικό του στην Έρευνα Επιχειρήσεων αφού έσπασε τον λογαριασμό επιχορήγησης έρευνας του συμβούλου του και απέτυχε να παραδώσει το βραβείο Νόμπελ που υποσχέθηκε. Προς το παρόν, βοηθά τους πελάτες του κλάδου των χρηματοοικονομικών υπηρεσιών και των ασφαλιστικών εταιρειών να δημιουργήσουν λύσεις μηχανικής μάθησης στο AWS. Στον ελεύθερο χρόνο του, του αρέσει να διαβάζει και να διδάσκει.
Σρινιβάσα Σάικ είναι αρχιτέκτονας λύσεων στην AWS με έδρα τη Βοστώνη. Βοηθά τους εταιρικούς πελάτες να επιταχύνουν το ταξίδι τους στο cloud. Είναι παθιασμένος με τα κοντέινερ και τις τεχνολογίες μηχανικής μάθησης. Στον ελεύθερο χρόνο του, του αρέσει να περνά χρόνο με την οικογένειά του, να μαγειρεύει και να ταξιδεύει.
- SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
- Platoblockchain. Web3 Metaverse Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
- πηγή: https://aws.amazon.com/blogs/machine-learning/bring-legacy-machine-learning-code-into-amazon-sagemaker-using-aws-step-functions/
- :είναι
- $UP
- 1
- 10
- 100
- 214
- 7
- 8
- a
- ικανότητα
- ΠΛΗΡΟΦΟΡΙΕΣ
- επιταχύνουν
- πρόσβαση
- Λογαριασμός
- Πράξη
- Ενέργειες
- δραστηριοτήτων
- προστιθέμενη
- Επιπλέον
- διεύθυνση
- εμμένω
- Υιοθεσία
- προηγμένες
- Πλεονέκτημα
- Μετά το
- AI
- Όλα
- επιτρέπει
- Amazon
- Amazon Sage Maker
- Amazon υπηρεσίες Web
- Amazon Web Services (AWS)
- ποσό
- analytics
- και
- api
- APIs
- app
- Εφαρμογή
- πλησιάζω
- κατάλληλος
- αρχιτεκτονική
- ΕΙΝΑΙ
- τεχνητός
- τεχνητή νοημοσύνη
- Τεχνητή νοημοσύνη (AI)
- AS
- At
- αποδίδουν
- αυτομάτως
- διαθέσιμος
- AWS
- Μηχανική εκμάθηση AWS
- Λειτουργίες βημάτων AWS
- βασίζονται
- βασικός
- BE
- αρχίζουν
- ΚΑΛΎΤΕΡΟΣ
- boston
- φέρω
- Φέρνει
- έσπασε
- Σπασμένος
- χτίζω
- Κτίριο
- χτισμένο
- ενσωματωμένο
- by
- κλήση
- που ονομάζεται
- κλήσεις
- CAN
- δεν μπορώ
- περίπτωση
- περιπτώσεις
- ορισμένες
- αλλαγή
- Επιλέξτε
- πελάτης
- Backup
- συστάδα
- κωδικός
- συνεργάζομαι
- COM
- πλήρης
- συγκρότημα
- εξαρτήματα
- περιεκτικός
- κατάσταση
- διαμόρφωση
- πρόξενος
- κατασκευάσει
- Δοχείο
- Εμπορευματοκιβώτια
- Περιέχει
- έλεγχος
- Βολικός
- δημιουργία
- δημιουργεί
- δημιουργία
- Τη στιγμή
- έθιμο
- Πελάτες
- προσαρμόσιμη
- ημερομηνία
- επιστήμονας δεδομένων
- βαθύτερη
- Προεπιλογή
- παραδώσει
- αποδεικνύουν
- παρατάσσω
- ανάπτυξη
- περιγράφεται
- επιθυμητή
- επιφάνεια εργασίας
- αναπτύχθηκε
- ανάπτυξη
- Ανάπτυξη
- διαφορετικές
- κατευθείαν
- συζήτηση
- διακριτή
- διάφορα
- Λιμενεργάτης
- ντοκιμαντέρ
- τομέα
- Μην
- κάτω
- κατά την διάρκεια
- κάθε
- Νωρίτερα
- εύκολα
- αποτέλεσμα
- Αποτελεσματικός
- αποτελεσματικός
- προσπάθεια
- είτε
- εξαλείφει
- ελκυστικός
- μηχανικός
- εξασφαλίζω
- εξασφαλίζει
- Εταιρεία
- επιχειρήσεις
- ενθουσιασμός
- Περιβάλλον
- περιβάλλοντα
- εξοπλισμένο
- λάθη
- εκτίμηση
- παράδειγμα
- εξαιρετικός
- εκτέλεση
- υφιστάμενα
- εμπειρία
- βιώνουν
- επεκτείνουν
- εξωτερικός
- διευκολύνοντας
- Απέτυχε
- Εξοικείωση
- οικογένεια
- Εικόνα
- Αρχεία
- οικονομικός
- χρηματοπιστωτικές υπηρεσίες
- Εύρεση
- ταιριάζουν
- Ευελιξία
- ροή
- ακολουθήστε
- Εξής
- Για
- Πλαίσιο
- από
- πλήρως
- λειτουργία
- λειτουργικός
- λειτουργικότητα
- λειτουργίες
- Επί πλέον
- παράγουν
- GitHub
- χορηγεί
- καθοδήγηση
- Οδηγοί
- Έχω
- βοήθεια
- βοήθεια
- βοηθά
- υψηλού επιπέδου
- υψηλά
- Πως
- Πώς να
- Ωστόσο
- HTML
- http
- HTTPS
- Εκατοντάδες
- προσδιορίζονται
- Ταυτότητα
- εικόνα
- εικόνες
- εκτέλεση
- εκτελεστικών
- εισαγωγή
- σημαντικό
- in
- Σε άλλες
- περιλαμβάνουν
- ενσωματώνω
- βιομηχανία
- Υποδομή
- αρχικός
- κινήσει
- νεωτερίζω
- εισαγωγή
- εγκαθιστώ
- εγκατάσταση
- παράδειγμα
- οδηγίες
- ασφάλιση
- ενσωματωθεί
- Ενσωμάτωση
- ολοκλήρωση
- Νοημοσύνη
- αλληλεπιδρούν
- συμμετέχουν
- συμμετοχή
- IT
- ΤΟΥ
- Δουλειά
- Θέσεις εργασίας
- ταξίδι
- jpg
- json
- μόνο ένα
- Γλώσσα
- large
- αργότερο
- ΜΑΘΑΊΝΩ
- μάθηση
- Κληροδότημα
- βιβλιοθήκες
- Βιβλιοθήκη
- κύκλος ζωής
- Μου αρέσει
- LINK
- Λιστα
- τοπικός
- τοποθεσία
- ματιά
- μηχανή
- μάθηση μηχανής
- Κυρίως
- διαχείριση
- διαχειρίζεται
- διαχείριση
- χειροκίνητα
- ανώτατο όριο
- που αναφέρθηκαν
- μήνυμα
- μέθοδος
- μέθοδοι
- μεταναστεύσουν
- μετανάστευση
- ελάχιστο
- ML
- MLOps
- Τρόπος
- μοντέλο
- μοντέλα
- σπονδυλωτή
- περισσότερο
- πλέον
- κίνηση
- Ονομάστηκε
- Φύση
- Πλοήγηση
- απαραίτητος
- Ανάγκη
- ανάγκες
- Νέα
- βραβείο Νόμπελ
- σημειωματάριο
- αριθμός
- of
- προσφορές
- on
- ONE
- άνοιγμα
- λειτουργεί
- λειτουργίες
- βελτιστοποιημένη
- Επιλογές
- ενορχηστρωμένη
- οργανώσεις
- Οργανωμένος
- ΑΛΛΑ
- παραγωγή
- εκτός
- δική
- ιδιοκτησία
- πακέτο
- παράμετροι
- εξαρτήματα
- πάθος
- παθιασμένος
- μονοπάτι
- Εκτελέστε
- δικαιώματα
- σχέδιο
- Πλάτων
- Πληροφορία δεδομένων Plato
- Πλάτωνα δεδομένα
- παιχνίδι
- πολιτική
- Θέση
- πρακτική
- πρακτικές
- προβλέψει
- παρουσιάζονται
- προηγούμενος
- βραβείο
- διαδικασια μας
- μεταποίηση
- Προγραμματισμός
- υποσχόμενος
- κατάλληλος
- προτυποποίηση
- παρέχουν
- παρέχεται
- παρέχει
- χορήγηση
- Τραβά
- σκοποί
- πίεσε
- Python
- Γρήγορα
- γρήγορα
- σειρά
- Ανάγνωση
- έλαβε
- συνιστάται
- Refactor
- αναφέρεται
- καταχωρηθεί
- μητρώα
- μητρώου
- Αποθήκη
- απαιτούν
- απαιτείται
- απαιτήσεις
- έρευνα
- πόρος
- Υποστηρικτικό υλικό
- υπεύθυνος
- αποτέλεσμα
- με αποτέλεσμα
- επαναχρησιμοποιήσιμη
- Ρόλος
- τρέξιμο
- τρέξιμο
- σοφός
- επεκτάσιμη
- σενάριο
- Επιστήμονας
- scikit-μάθετε
- Εφαρμογές
- SDK
- άψογα
- προστατευμένο περιβάλλον
- επιλογή
- αρχαιότερος
- ξεχωριστό
- Ακολουθία
- Χωρίς διακομιστή
- υπηρεσία
- Υπηρεσίες
- σειρά
- Σέτς
- ρυθμίσεις
- setup
- διάφοροι
- Κοινοποίηση
- αλλαγή
- δείχνουν
- παρουσιάζεται
- Δείχνει
- Απλούς
- απλά
- ενιαίας
- Μέγεθος
- So
- λύση
- Λύσεις
- μερικοί
- ειδικός
- ειδικεύεται
- συγκεκριμένες
- ειδικά
- καθορίζεται
- Δαπάνες
- περιστροφές
- Αθλητισμός
- στάδια
- αυτόνομο
- ξεκινά
- Κατάσταση
- Δήλωση
- Μελών
- Βήμα
- Βήματα
- χώρος στο δίσκο
- αποθηκεύονται
- ειλικρινής
- στρατηγικές
- εξορθολογισμό
- εξορθολογισμός
- ισχυρός
- στούντιο
- τέτοιος
- κατάλληλος
- υποστήριξη
- SYS
- σύστημα
- TAG
- Πάρτε
- παίρνει
- λήψη
- εργασίες
- Διδασκαλία
- Τεχνικός
- Τεχνολογίες
- ότι
- Η
- τους
- Τους
- Αυτοί
- χιλιάδες
- τρία
- Μέσω
- ώρα
- προς την
- εργαλείο
- εργαλεία
- Εκπαίδευση
- μεταφορά
- Ταξίδια
- υποκείμενες
- καταλαβαίνω
- ενημερώθηκε
- χρήση
- περίπτωση χρήσης
- χρησιμότητα
- χρησιμοποιώ
- χρησιμοποιούνται
- χρησιμοποιεί
- αξία
- διάφορα
- εκδοχή
- τόμος
- παρακολουθείτε
- Πλούτος
- ιστός
- διαδικτυακές υπηρεσίες
- Ποιό
- Ο ΟΠΟΊΟΣ
- θα
- με
- εντός
- χωρίς
- λόγια
- Εργασία
- εργαζόμενος
- λειτουργεί
- Εσείς
- Σας
- zephyrnet