SDK do SageMaker aprimora os fluxos de trabalho de treinamento e inferência
Hoje, estamos apresentando a nova classe ModelTrainer e aprimorando a classe ModelBuilder no SDK do SageMaker para Python. Essas atualizações otimizam os fluxos de trabalho de treinamento e simplificam as implantações de inferência.
A classe ModelTrainer permite que os clientes configurem e personalizem facilmente estratégias de treinamento distribuído no Amazon SageMaker. Esse novo recurso acelera os tempos de treinamento de modelos, otimiza a utilização dos recursos e reduz os custos por meio de um processamento paralelo eficiente. Os clientes podem fazer facilmente a transição de pontos de entrada e contêineres personalizados de um ambiente local para o SageMaker, eliminando a necessidade de gerenciar a infraestrutura. O ModelTrainer simplifica a configuração reduzindo os parâmetros a apenas algumas variáveis principais e fornecendo classes fáceis de usar para proporcionar interações intuitivas com os serviços do SageMaker. Além disso, com a classe ModelBuilder aprimorada, os clientes agora já podem implantar facilmente modelos do HuggingFace, alternar entre o desenvolvimento em ambiente local e o SageMaker e personalizar a inferência usando scripts de pré e pós-processamento. É importante ressaltar que os clientes já podem passar facilmente os artefatos de modelos treinados da classe ModelTrainer para a classe ModelBuilder, permitindo uma transição integrada do treinamento para a inferência no SageMaker.
Você pode aprender mais sobre a classe ModelTrainer aqui, os aprimoramentos do ModelBuilder aqui e começar a usar os exemplos de cadernos do ModelTrainer e ModelBuilder.