Das SageMaker SDK verbessert die Trainings- und Inferenz-Workflows
Heute stellen wir die neue ModelTrainer-Klasse vor und erweitern die ModelBuilder-Klasse im SageMaker Python SDK. Diese Updates optimieren die Trainingsabläufe und vereinfachen die Bereitstellung von Inferenzen.
Mit der ModelTrainer-Klasse können Kunden auf einfache Weise verteilte Trainingsstrategien auf Amazon SageMaker einrichten und anpassen. Dieses neue Feature beschleunigt die Modelltrainingszeiten, optimiert die Ressourcenauslastung und senkt die Kosten durch effiziente Parallelverarbeitung. Kunden können ihre benutzerdefinierten Einstiegspunkte und Container problemlos von einer lokalen Umgebung auf SageMaker umstellen, sodass die Verwaltung der Infrastruktur entfällt. ModelTrainer vereinfacht die Konfiguration, indem es die Parameter auf nur wenige Kernvariablen reduziert und benutzerfreundliche Klassen für intuitive SageMaker-Serviceinteraktionen bereitstellt. Darüber hinaus können Kunden mit der erweiterten ModelBuilder-Klasse jetzt problemlos HuggingFace-Modelle bereitstellen, zwischen der Entwicklung in der lokalen Umgebung und SageMaker wechseln und ihre Inferenz mithilfe ihrer Vor- und Nachverarbeitungsskripte anpassen. Wichtig ist, dass Kunden die trainierten Modellartefakte jetzt einfach von der ModelTrainer-Klasse an die ModelBuilder-Klasse übergeben können, was einen nahtlosen Übergang vom Training zur Inferenz auf SageMaker ermöglicht.
Sie können hier mehr über die ModelTrainer-Klasse und hier mehr über die ModelBuilder-Verbesserungen erfahren, und mit den Beispielnotizbüchern zu ModelTrainer und ModelBuilder einfach loslegen.