SageMaker SDK meningkatkan alur kerja pelatihan dan inferensi
Hari ini, kami memperkenalkan kelas ModelTrainer baru dan meningkatkan kelas ModelBuilder di SageMaker Python SDK. Pembaruan ini menyederhanakan alur kerja pelatihan dan menyederhanakan deployment inferensi.
Kelas ModelTrainer memungkinkan pelanggan mengatur dan menyesuaikan strategi pelatihan terdistribusi dengan mudah di Amazon SageMaker. Fitur baru ini mempercepat waktu pelatihan model, mengoptimalkan pemanfaatan sumber daya, dan mengurangi biaya melalui pemrosesan paralel yang efisien. Pelanggan dapat dengan lancar mentransisikan titik masuk dan kontainer khusus mereka dari lingkungan lokal ke SageMaker, menghilangkan kebutuhan untuk mengelola infrastruktur. ModelTrainer menyederhanakan konfigurasi dengan mengurangi parameter menjadi hanya beberapa variabel inti dan menyediakan kelas yang ramah pengguna untuk interaksi layanan SageMaker yang intuitif. Selain itu, dengan kelas ModelBuilder yang disempurnakan, pelanggan sekarang dapat dengan mudah men-deploy model HuggingFace, beralih antara pengembangan di lingkungan lokal ke SageMaker, dan menyesuaikan inferensi mereka menggunakan skrip pra dan pascapemrosesan mereka. Yang penting, pelanggan sekarang dapat meneruskan artefak model terlatih dari kelas ModelTrainer dengan mudah ke kelas ModelBuilder, memungkinkan transisi mulus dari pelatihan ke inferensi di SageMaker.
Anda dapat mempelajari lebih lanjut tentang kelas ModelTrainer di sini, penyempurnaan ModelBuilder di sini, dan mulai menggunakan Notebook sampel ModelTrainer dan ModelBuilder.