Le kit SDK SageMaker améliore les flux de formation et d'inférence
Aujourd'hui, nous présentons la nouvelle classe ModelTrainer et améliorons la classe ModelBuilder dans le SDK Python de SageMaker. Ces mises à jour rationalisent les flux de formation et simplifient les déploiements d'inférence.
La classe ModelTrainer permet aux clients de configurer et de personnaliser facilement des stratégies de formation distribuées sur Amazon SageMaker. Cette nouvelle fonctionnalité accélère les temps de formation des modèles, optimise l'utilisation des ressources et réduit les coûts grâce à un traitement parallèle efficace. Les clients peuvent facilement transférer leurs points d'entrée et conteneurs personnalisés d'un environnement local vers SageMaker, éliminant ainsi la nécessité de gérer l'infrastructure. ModelTrainer simplifie la configuration en réduisant les paramètres à quelques variables de base et en proposant des classes conviviales pour des interactions intuitives avec les services SageMaker. En outre, grâce à la classe ModelBuilder améliorée, les clients peuvent désormais déployer facilement des modèles HuggingFace, passer du développement en environnement local à SageMaker et personnaliser leur inférence à l'aide de leurs scripts de pré-traitement et de post-traitement. Il est important de noter que les clients peuvent désormais transmettre facilement les artefacts de modèle entraînés de la classe ModelTrainer à la classe ModelBuilder, ce qui permet une transition fluide de la formation à l'inférence sur SageMaker.
Vous pouvez en apprendre davantage sur la classe ModelTrainer ici et les améliorations apportées à ModelBuilder ici, mais aussi commencer à utiliser ModelTrainer et des exemples de blocs-notes ModelBuilder.