AWS-Sagemaker中的多模型训练
我可以在AWS Sagemaker中通过评估模型来训练多个模型train.py脚本，以及如何从多个模型中获取多个指标？
任何链接、文档或视频都很有用。
共有1个答案
是的，您在sagemaker培训脚本中编写的内容（假设您使用的是允许您传递自定义代码的内容，如您自己的容器或框架容器）是灵活的，不需要仅是一个模型，甚至是ML。您完全可以在一个容器中编写多个模型培训，并通过正则表达式使用SageMaker度量捕获来获取所有相关度量，请参见此处带有Sklearn随机林的正则表达式示例。话虽如此，将事物分开并为每个SageMaker工作设置一个模型通常是一个更好的主意，原因如下：
- 它允许您分离模型元数据和指标，并与SageMaker元数据服务轻松比较
- 它允许您将硬件专门化到每个模型，并获得更好的经济性。当涉及到CPU、GPU、RAM时，每个模型都有自己的最佳位置
- 它允许您在单个训练中使用完全相同的容器，但也可以用于贝叶斯超参数搜索，这种方法比常规网格搜索更快、更便宜。
-
我希望使用AWS Sagemaker工作流部署一个预训练的模型，用于实时行人和/或车辆检测，我特别想使用Sagemaker Neo编译模型并将其部署在边缘。我想从他们的模型动物园中使用OpenVino的预构建模型之一，但是当我下载模型时，它已经是他们自己的优化器的中间表示（IR）格式。 > 如果没有，是否有任何免费的预训练模型（使用任何流行的框架，如pytorch，tenorflow，ONXX等）
-
我有一个模型。预训练的pkl文件以及与ml模型相关的所有其他文件。我想把它部署到aws sagemaker上。但是在没有培训的情况下，如何将其部署到aws sagmekaer，就像aws sagemaker中的fit（）方法一样，运行train命令并推送模型。焦油gz到s3位置，当使用deploy方法时，它使用相同的s3位置来部署模型，我们不会在s3中手动创建与aws模型创建的位置相同的位置，并使
-
我试图避免将现有的模型训练过程迁移到SageMaker，并避免创建一个定制Docker容器来承载我们训练过的模型。 我的希望是将我们现有的、经过培训的模型注入AWS通过sagemaker python sdk提供的预构建scikit学习容器中。我发现的所有示例都需要先培训模型，然后在SageMaker中创建模型/模型配置。然后使用方法进行部署。 是否可以为方法提供经过培训的模型，并将其托管在AWS
-
我正在尝试将一个使用sklearn训练的模型部署到endpoint，并将其作为预测的API。我想使用sagemaker的目的就是部署和服务器模型，我已经使用序列化了这个模型，仅此而已。我读过的每个博客和sagemaker python文档都表明，为了在sagemaker中部署，sklearn模型必须在sagemaker上进行培训。 在阅读SageMaker文档时，我了解到SageMaker允许用户
-
我已经在AWS SageMaker上使用内置算法语义分割训练了一个模型。这个名为model.tar.gz的训练模型存储在S3上。所以我想从S3下载这个文件，然后使用它在我的本地电脑上进行推断，而不使用AWS SageMaker。 以下是三个文件： > ：包括网络架构、数据输入和训练的参数。请参阅语义分割超参数。 我的代码： 错误：
-
我了解到有一种方法可以在AWS Sagemaker中使用单个endpoint为单个数据集训练和托管多个模型。但我在S3中有两个不同的数据集，必须为每个数据集训练一个模型。这两个不同的模型是否可以使用单个endpoint承载？