SageMaker SDK migliora i flussi di lavoro di addestramento e inferenza
Oggi introduciamo la nuova classe ModelTrainer e miglioriamo la classe ModelBuilder nell'SDK di SageMaker Python. Questi aggiornamenti semplificano i flussi di lavoro di addestramento e le implementazioni delle inferenze.
La classe ModelTrainer consente ai clienti di configurare e personalizzare facilmente strategie di training distribuito su Amazon SageMaker. La nuova funzionalità accelera i tempi dell'addestramento dei modelli, ottimizza l'utilizzo delle risorse e riduce i costi attraverso un'efficiente elaborazione parallela. I clienti possono trasferire senza problemi i loro punti di ingresso e container personalizzati da un ambiente locale a SageMaker, eliminando la necessità di gestire l'infrastruttura. ModelTrainer semplifica la configurazione riducendo i parametri a poche variabili fondamentali e fornendo classi facili da usare per interazioni intuitive con i servizi SageMaker. Inoltre, grazie alla classe ModelBuilder avanzata, ora i clienti possono implementare facilmente i modelli HuggingFace, passare dallo sviluppo in ambiente locale a SageMaker e personalizzare la propria inferenza utilizzando i loro script di pre e post-elaborazione. È importante sottolineare che ora i clienti possono facilmente passare gli artefatti del modello addestrato di classe ModelTrainer alla classe ModelBuilder, consentendo una transizione fluida dall'addestramento all'inferenza su SageMaker.
Puoi trovare maggiori informazioni sulla classe ModelTrainer Qui e sulle migliorie implementate in ModelBuilder qui, potendo così iniziare a utilizzare i notebook di prova di ModelTrainer e di ModelBuilder.