Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.
Cuadernos de ejemplo
Puede transformar un código de entrenamiento en un entorno de espacio de trabajo existente y cualquier código de procesamiento de datos y conjuntos de datos asociados en un trabajo de capacitación. SageMaker Los siguientes cuadernos muestran cómo personalizar el entorno, la configuración del trabajo y mucho más para resolver un problema de clasificación de imágenes mediante el algoritmo XGBoost y Hugging Face.
El quick_start notebook
-
Cómo personalizar los ajustes de su trabajo con un archivo de configuración.
-
Cómo invocar funciones de Python como trabajos, de forma asíncrona.
-
Cómo personalizar el entorno de tiempo de ejecución del trabajo incorporando dependencias adicionales.
-
Cómo usar las dependencias locales con el método de función @remote.
Los siguientes cuadernos proporcionan ejemplos de código adicionales para diferentes tipos de problemas e implementaciones de ML.
-
Para ver ejemplos de código sobre cómo usar el decorador @remote para un problema de clasificación de imágenes, abra el cuaderno pytorch_mnist.ipynb
. Este problema de clasificación reconoce los dígitos escritos a mano utilizando el conjunto de datos de muestra del MNISR (Modified National Institute of Standards and Technology) modificado. -
Para ver ejemplos de código sobre el uso del decorador @remote para el problema anterior de clasificación de imágenes con un script, consulte el script de ejemplo del MNIST de Pytorch, train.py
. -
Para ver cómo se implementó el algoritmo XGBoost con un decorador @remote: abra el cuaderno xgboost_abalone.ipynb
. -
Para ver cómo Hugging Face se integra con un decorador de @remote: abre el cuaderno huggingface.ipynb
.
