Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
# Utilisez Amazon SageMaker AI Jobs
Cette section est basée sur la version originale d'[SageMaker AI Operators for Kubernetes](https://github.com/aws/amazon-sagemaker-operator-for-k8s).
**Important**
Nous arrêtons le développement et le support technique de la version originale d'[ SageMaker Operators for Kubernetes](https://github.com/aws/amazon-sagemaker-operator-for-k8s/tree/master).
Si vous utilisez actuellement la version `v1.2.2` ou une version inférieure d'[ SageMaker Operators for Kubernetes](https://github.com/aws/amazon-sagemaker-operator-for-k8s/tree/master), nous vous recommandons de migrer vos ressources vers le [contrôleur de service ACK](https://github.com/aws-controllers-k8s/sagemaker-controller) pour Amazon. SageMaker Le contrôleur de service ACK est une nouvelle génération d' SageMaker opérateurs pour Kubernetes basés sur les [AWS contrôleurs pour Kubernetes](https://aws-controllers-k8s.github.io/community/) (ACK).
Pour en savoir plus sur les étapes de migration, consultez [Migrer les ressources vers la dernière version d'Operators](kubernetes-sagemaker-operators-migrate.md).
Pour obtenir les réponses aux questions fréquemment posées concernant la fin du support de la version originale d' SageMaker Operators for Kubernetes, voir [Annonce de la fin du support de la version originale des opérateurs SageMaker AI pour Kubernetes](kubernetes-sagemaker-operators-eos-announcement.md)
Pour exécuter une tâche Amazon SageMaker AI à l'aide des opérateurs pour Kubernetes, vous pouvez appliquer un fichier YAML ou utiliser les Helm Charts fournis.
Tous les exemples de tâches d’opérateur dans les tutoriels suivants utilisent des exemples de données provenant d’un jeu de données MNIST public. Pour exécuter ces exemples, téléchargez le jeu de données dans votre compartiment Amazon S3. Vous pouvez trouver le jeu de données dans la section [Download the MNIST Dataset](https://docs.aws.amazon.com/sagemaker/latest/dg/ex1-preprocess-data-pull-data.html).
**Topics**
+ [L' TrainingJob opérateur](#trainingjob-operator)
+ [L' HyperParameterTuningJob opérateur](#hyperparametertuningjobs-operator)
+ [L' BatchTransformJob opérateur](#batchtransformjobs-operator)
+ [L' HostingDeployment opérateur](#hosting-deployment-operator)
+ [L' ProcessingJob opérateur](#kubernetes-processing-job-operator)
+ [HostingAutoscalingPolicy (HAP) Opérateur](#kubernetes-hap-operator)
## L' TrainingJob opérateur
Les opérateurs de tâches de formation concilient les spécifications du poste de formation que vous avez spécifiées avec l' SageMaker IA en les lançant pour vous dans SageMaker AI. Pour en savoir plus sur les métiers de SageMaker formation, consultez la [documentation de CreateTrainingJob l'API SageMaker ](https://docs.aws.amazon.com/sagemaker/latest/dg/API_CreateTrainingJob.html) AI.
**Topics**
+ [Créez un à TrainingJob l'aide d'un fichier YAML](#create-a-trainingjob-using-a-simple-yaml-file)
+ [Création d'un graphique TrainingJob à l'aide d'un helm](#create-a-trainingjob-using-a-helm-chart)
+ [Liste TrainingJobs](#list-training-jobs)
+ [Décrivez un TrainingJob](#describe-a-training-job)
+ [Afficher les journaux de TrainingJobs](#view-logs-from-training-jobs)
+ [Supprimer TrainingJobs](#delete-training-jobs)
### Créez un à TrainingJob l'aide d'un fichier YAML
1. Téléchargez l’exemple de fichier YAML pour l’entraînement à l’aide de la commande suivante :
```
wget https://raw.githubusercontent.com/aws/amazon-sagemaker-operator-for-k8s/master/samples/xgboost-mnist-trainingjob.yaml
```
1. Modifiez le `xgboost-mnist-trainingjob.yaml` fichier pour remplacer le `roleArn` paramètre par votre `` compartiment Amazon S3 et `outputPath` par le compartiment Amazon S3 auquel le rôle d'exécution SageMaker AI a accès en écriture. Ils `roleArn` doivent disposer d'autorisations pour que l' SageMaker IA puisse accéder à Amazon S3 CloudWatch, Amazon et à d'autres services en votre nom. Pour plus d'informations sur la création d'une SageMaker IA ExecutionRole, consultez la section [Rôles de l'SageMaker IA](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-roles.html#sagemaker-roles-createtrainingjob-perms). Appliquez le fichier YAML à l’aide de la commande suivante :
```
kubectl apply -f xgboost-mnist-trainingjob.yaml
```
### Création d'un graphique TrainingJob à l'aide d'un helm
Vous pouvez utiliser Helm Charts pour exécuter TrainingJobs.
1. Clonez le GitHub dépôt pour obtenir le code source à l'aide de la commande suivante :
```
git clone https://github.com/aws/amazon-sagemaker-operator-for-k8s.git
```
1. Accédez au dossier `amazon-sagemaker-operator-for-k8s/hack/charts/training-jobs/` et modifiez le fichier `values.yaml` pour remplacer des valeurs comme `rolearn` et `outputpath` par des valeurs qui correspondent à votre compte. Le ROLearn doit disposer d'autorisations pour que l' SageMaker IA puisse accéder à Amazon S3 CloudWatch, Amazon et à d'autres services en votre nom. Pour plus d'informations sur la création d'une SageMaker IA ExecutionRole, consultez la section [Rôles de l'SageMaker IA](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-roles.html#sagemaker-roles-createtrainingjob-perms).
#### Créez le TrainingJob
Lorsque les rôles et les compartiments Amazon S3 ont été remplacés par des valeurs appropriées dans `values.yaml`, vous pouvez créer une tâche d'entraînement à l'aide de la commande suivante :
```
helm install . --generate-name
```
Le résultat doit être similaire à ce qui suit :
```
NAME: chart-12345678
LAST DEPLOYED: Wed Nov 20 23:35:49 2019
NAMESPACE: default
STATUS: deployed
REVISION: 1
TEST SUITE: None
NOTES:
Thanks for installing the sagemaker-k8s-trainingjob.
```
#### Vérification de votre Chart de Helm d'entraînement
Pour vérifier que le Chart de Helm a bien été créé, exécutez :
```
helm ls
```
Le résultat doit être similaire à ce qui suit :
```
NAME NAMESPACE REVISION UPDATED STATUS CHART APP VERSION
chart-12345678 default 1 2019-11-20 23:35:49.9136092 +0000 UTC deployed sagemaker-k8s-trainingjob-0.1.0
rolebased-12345678 default 1 2019-11-20 23:14:59.6777082 +0000 UTC deployed sagemaker-k8s-operator-0.1.0
```
`helm install` crée une ressource Kubernetes `TrainingJob`. L'opérateur lance la tâche de formation proprement dite en SageMaker IA et met à jour la ressource `TrainingJob` Kubernetes pour refléter le statut de la tâche en IA. SageMaker Vous devez payer des frais pour les ressources d' SageMaker IA utilisées pendant la durée de votre travail. Vous ne payez pas de frais une fois votre tâche terminée ou arrêtée.
**Remarque** : SageMaker L'IA ne vous permet pas de mettre à jour une tâche d'entraînement en cours d'exécution. Vous ne pouvez pas modifier un paramètre et réappliquer le fichier de configuration. Modifiez le nom des métadonnées ou supprimez la tâche existante et créez-en une autre. À l'instar des formations existantes, les opérateurs de tâches, comme TFJob dans Kubeflow, ne `update` sont pas pris en charge.
### Liste TrainingJobs
Utilisez la commande suivante pour répertorier toutes les tâches créées à l'aide de l'opérateur Kubernetes :
```
kubectl get TrainingJob
```
Le résultat pour toutes les tâches répertoriées doit ressembler à ce qui suit :
```
kubectl get trainingjobs
NAME STATUS SECONDARY-STATUS CREATION-TIME SAGEMAKER-JOB-NAME
xgboost-mnist-from-for-s3 InProgress Starting 2019-11-20T23:42:35Z xgboost-mnist-from-for-s3-examplef11eab94e0ed4671d5a8f
```
Une tâche d’entraînement reste répertoriée après son achèvement ou son échec. Vous pouvez supprimer une tâche `TrainingJob` de la liste en suivant la procédure [Supprimer TrainingJobs](#delete-training-jobs). Les tâches terminées ou interrompues ne sont pas facturées pour les ressources de l' SageMaker IA.
#### TrainingJob valeurs de statut
Le champ `STATUS` peut comporter l’une des valeurs suivantes :
+ `Completed`
+ `InProgress`
+ `Failed`
+ `Stopped`
+ `Stopping`
Ces statuts proviennent directement de la [documentation officielle de l'API SageMaker ](https://docs.aws.amazon.com/sagemaker/latest/dg/API_DescribeTrainingJob.html#SageMaker-DescribeTrainingJob-response-TrainingJobStatus) AI.
En plus du statut officiel d' SageMaker IA, il est possible de `STATUS` l'être`SynchronizingK8sJobWithSageMaker`. Cela signifie que l'opérateur n'a pas encore traité la tâche.
#### Valeurs du statut secondaire
Les statuts secondaires proviennent directement de la [documentation officielle de l'API SageMaker ](https://docs.aws.amazon.com/sagemaker/latest/dg/API_DescribeTrainingJob.html#SageMaker-DescribeTrainingJob-response-SecondaryStatus) AI. Ils contiennent des informations plus détaillées sur le statut de la tâche.
### Décrivez un TrainingJob
Vous pouvez obtenir plus d'informations sur la tâche d'entraînement en utilisant la commande `describe` `kubectl`. Elle est généralement utilisée pour déboguer un problème ou vérifier les paramètres d'une tâche d'entraînement. Pour obtenir des informations sur votre tâche d'entraînement, utilisez la commande suivante :
```
kubectl describe trainingjob xgboost-mnist-from-for-s3
```
Le résultat de votre tâche d'entraînement doit ressembler à ce qui suit :
```
Name: xgboost-mnist-from-for-s3
Namespace: default
Labels:
Annotations:
API Version: sagemaker.aws.amazon.com/v1
Kind: TrainingJob
Metadata:
Creation Timestamp: 2019-11-20T23:42:35Z
Finalizers:
sagemaker-operator-finalizer
Generation: 2
Resource Version: 23119
Self Link: /apis/sagemaker.aws.amazon.com/v1/namespaces/default/trainingjobs/xgboost-mnist-from-for-s3
UID: 6d7uiui-0bef-11ea-b94e-0ed467example
Spec:
Algorithm Specification:
Training Image: 8256416981234.dkr.ecr.us-east-2.amazonaws.com/xgboost:1
Training Input Mode: File
Hyper Parameters:
Name: eta
Value: 0.2
Name: gamma
Value: 4
Name: max_depth
Value: 5
Name: min_child_weight
Value: 6
Name: num_class
Value: 10
Name: num_round
Value: 10
Name: objective
Value: multi:softmax
Name: silent
Value: 0
Input Data Config:
Channel Name: train
Compression Type: None
Content Type: text/csv
Data Source:
S 3 Data Source:
S 3 Data Distribution Type: FullyReplicated
S 3 Data Type: S3Prefix
S 3 Uri: https://s3-us-east-2.amazonaws.com/amzn-s3-demo-bucket/sagemaker/xgboost-mnist/train/
Channel Name: validation
Compression Type: None
Content Type: text/csv
Data Source:
S 3 Data Source:
S 3 Data Distribution Type: FullyReplicated
S 3 Data Type: S3Prefix
S 3 Uri: https://s3-us-east-2.amazonaws.com/amzn-s3-demo-bucket/sagemaker/xgboost-mnist/validation/
Output Data Config:
S 3 Output Path: s3://amzn-s3-demo-bucket/sagemaker/xgboost-mnist/xgboost/
Region: us-east-2
Resource Config:
Instance Count: 1
Instance Type: ml.m4.xlarge
Volume Size In GB: 5
Role Arn: arn:aws:iam::12345678910:role/service-role/AmazonSageMaker-ExecutionRole
Stopping Condition:
Max Runtime In Seconds: 86400
Training Job Name: xgboost-mnist-from-for-s3-6d7fa0af0bef11eab94e0example
Status:
Cloud Watch Log URL: https://us-east-2.console.aws.amazon.com/cloudwatch/home?region=us-east-2#logStream:group=/aws/sagemaker/TrainingJobs;prefix=;streamFilter=typeLogStreamPrefix
Last Check Time: 2019-11-20T23:44:29Z
Sage Maker Training Job Name: xgboost-mnist-from-for-s3-6d7fa0af0bef11eab94eexample
Secondary Status: Downloading
Training Job Status: InProgress
Events:
```
### Afficher les journaux de TrainingJobs
Utilisez la commande suivante pour consulter les journaux depuis la tâche d'entraînement `kmeans-mnist` :
```
kubectl smlogs trainingjob xgboost-mnist-from-for-s3
```
Votre sortie doit ressembler à ce qui suit : Les journaux des instances sont classés par ordre chronologique.
```
"xgboost-mnist-from-for-s3" has SageMaker TrainingJobName "xgboost-mnist-from-for-s3-123456789" in region "us-east-2", status "InProgress" and secondary status "Starting"
xgboost-mnist-from-for-s3-6d7fa0af0bef11eab94e0ed46example/algo-1-1574293123 2019-11-20 23:45:24.7 +0000 UTC Arguments: train
xgboost-mnist-from-for-s3-6d7fa0af0bef11eab94e0ed46example/algo-1-1574293123 2019-11-20 23:45:24.7 +0000 UTC [2019-11-20:23:45:22:INFO] Running standalone xgboost training.
xgboost-mnist-from-for-s3-6d7fa0af0bef11eab94e0ed46example/algo-1-1574293123 2019-11-20 23:45:24.7 +0000 UTC [2019-11-20:23:45:22:INFO] File size need to be processed in the node: 1122.95mb. Available memory size in the node: 8586.0mb
xgboost-mnist-from-for-s3-6d7fa0af0bef11eab94e0ed46example/algo-1-1574293123 2019-11-20 23:45:24.7 +0000 UTC [2019-11-20:23:45:22:INFO] Determined delimiter of CSV input is ','
xgboost-mnist-from-for-s3-6d7fa0af0bef11eab94e0ed46example/algo-1-1574293123 2019-11-20 23:45:24.7 +0000 UTC [23:45:22] S3DistributionType set as FullyReplicated
```
### Supprimer TrainingJobs
Utilisez la commande suivante pour arrêter une tâche de formation sur Amazon SageMaker AI :
```
kubectl delete trainingjob xgboost-mnist-from-for-s3
```
Cette commande supprime la tâche de SageMaker formation de Kubernetes. Cette commande renvoie le résultat suivant :
```
trainingjob.sagemaker.aws.amazon.com "xgboost-mnist-from-for-s3" deleted
```
Si la tâche est toujours en cours sur l' SageMaker IA, elle s'arrête. Aucuns frais ne vous seront facturés pour les ressources d' SageMaker IA une fois votre travail arrêté ou terminé.
**Remarque** : SageMaker L'IA ne supprime pas les tâches de formation. Les tâches interrompues continuent de s'afficher sur la console SageMaker AI. La `delete` commande prend environ 2 minutes pour nettoyer les ressources de l' SageMaker IA.
## L' HyperParameterTuningJob opérateur
Les opérateurs de tâches de réglage des hyperparamètres concilient la spécification de tâche de réglage des hyperparamètres que vous avez spécifiée avec l' SageMaker IA en les lançant dans AI. SageMaker Pour en savoir plus sur les tâches de réglage des hyperparamètres de l' SageMaker IA, consultez la [documentation de l'CreateHyperParameterTuningJob API SageMaker ](https://docs.aws.amazon.com/sagemaker/latest/dg/API_CreateHyperParameterTuningJob.html) AI.
**Topics**
+ [Créez un à HyperparameterTuningJob l'aide d'un fichier YAML](#create-a-hyperparametertuningjob-using-a-simple-yaml-file)
+ [Créer un graphique HyperparameterTuningJob à l'aide d'un Helm](#create-a-hyperparametertuningjob-using-a-helm-chart)
+ [Liste HyperparameterTuningJobs](#list-hyperparameter-tuning-jobs)
+ [Décrivez un HyperparameterTuningJob](#describe-a-hyperparameter-tuning-job)
+ [Afficher les journaux de HyperparameterTuningJobs](#view-logs-from-hyperparametertuning-jobs)
+ [Supprimer un HyperparameterTuningJob](#delete-hyperparametertuning-jobs)
### Créez un à HyperparameterTuningJob l'aide d'un fichier YAML
1. Téléchargez l'exemple de fichier YAML pour la tâche de réglage d'hyperparamètre à l'aide de la commande suivante :
```
wget https://raw.githubusercontent.com/aws/amazon-sagemaker-operator-for-k8s/master/samples/xgboost-mnist-hpo.yaml
```
1. Modifiez le fichier `xgboost-mnist-hpo.yaml` pour remplacer le paramètre `roleArn` par votre `sagemaker-execution-role`. Pour que la tâche de réglage d'hyperparamètre aboutisse, vous devez également modifier les valeurs `s3InputPath` et `s3OutputPath` qui correspondent à votre compte. Appliquez le fichier YAML de mises à jour à l'aide de la commande suivante :
```
kubectl apply -f xgboost-mnist-hpo.yaml
```
### Créer un graphique HyperparameterTuningJob à l'aide d'un Helm
Vous pouvez utiliser les Charts de Helm pour exécuter des tâches de réglage d'hyperparamètre.
1. Clonez le GitHub dépôt pour obtenir le code source à l'aide de la commande suivante :
```
git clone https://github.com/aws/amazon-sagemaker-operator-for-k8s.git
```
1. Accédez au dossier `amazon-sagemaker-operator-for-k8s/hack/charts/hyperparameter-tuning-jobs/`.
1. Modifiez le fichier `values.yaml` pour remplacer le paramètre `roleArn` par votre `sagemaker-execution-role`. Pour que la tâche de réglage d'hyperparamètre aboutisse, vous devez également modifier les valeurs `s3InputPath` et `s3OutputPath` qui correspondent à votre compte.
#### Créez le HyperparameterTuningJob
Lorsque les rôles et les chemins Amazon S3 ont été remplacés par des valeurs appropriées dans `values.yaml`, vous pouvez créer une tâche de réglage d'hyperparamètre à l'aide de la commande suivante :
```
helm install . --generate-name
```
Votre sortie doit ressembler à ce qui suit :
```
NAME: chart-1574292948
LAST DEPLOYED: Wed Nov 20 23:35:49 2019
NAMESPACE: default
STATUS: deployed
REVISION: 1
TEST SUITE: None
NOTES:
Thanks for installing the sagemaker-k8s-hyperparametertuningjob.
```
#### Vérification de l'installation du Chart
Pour vérifier que le Chart de Helm a bien été créé, exécutez la commande suivante :
```
helm ls
```
Le résultat doit être similaire à ce qui suit :
```
NAME NAMESPACE REVISION UPDATED
chart-1474292948 default 1 2019-11-20 23:35:49.9136092 +0000 UTC deployed sagemaker-k8s-hyperparametertuningjob-0.1.0 STATUS CHART APP VERSION
chart-1574292948 default 1 2019-11-20 23:35:49.9136092 +0000 UTC deployed sagemaker-k8s-trainingjob-0.1.0
rolebased-1574291698 default 1 2019-11-20 23:14:59.6777082 +0000 UTC deployed sagemaker-k8s-operator-0.1.0
```
`helm install` crée une ressource Kubernetes `HyperParameterTuningJob`. L'opérateur lance la tâche d'optimisation des hyperparamètres dans l' SageMaker IA et met à jour la ressource `HyperParameterTuningJob` Kubernetes pour refléter le statut de la tâche dans l'IA. SageMaker Vous devez payer des frais pour les ressources d' SageMaker IA utilisées pendant la durée de votre travail. Vous ne payez pas de frais une fois votre tâche terminée ou arrêtée.
**Remarque** : SageMaker L'IA ne vous permet pas de mettre à jour une tâche de réglage d'hyperparamètres en cours d'exécution. Vous ne pouvez pas modifier un paramètre et réappliquer le fichier de configuration. Vous devez modifier le nom des métadonnées ou supprimer la tâche existante et en créer une autre. À l’instar des opérateurs de tâche d’entraînement existants tels que `TFJob` dans Kubeflow, `update` n’est pas pris en charge.
### Liste HyperparameterTuningJobs
Utilisez la commande suivante pour répertorier toutes les tâches créées à l'aide de l'opérateur Kubernetes :
```
kubectl get hyperparametertuningjob
```
Le résultat doit être similaire à ce qui suit :
```
NAME STATUS CREATION-TIME COMPLETED INPROGRESS ERRORS STOPPED BEST-TRAINING-JOB SAGEMAKER-JOB-NAME
xgboost-mnist-hpo Completed 2019-10-17T01:15:52Z 10 0 0 0 xgboostha92f5e3cf07b11e9bf6c06d6-009-4c7a123 xgboostha92f5e3cf07b11e9bf6c123
```
Une tâche de réglage d’hyperparamètre reste répertoriée après son achèvement ou son échec. Vous pouvez supprimer une tâche `hyperparametertuningjob` de la liste en suivant la procédure [Supprimer un HyperparameterTuningJob](#delete-hyperparametertuning-jobs). Les tâches terminées ou interrompues ne sont pas facturées pour les ressources de l' SageMaker IA.
#### Valeurs de statut de tâche de réglage des hyperparamètres
Le champ `STATUS` peut comporter l'une des valeurs suivantes :
+ `Completed`
+ `InProgress`
+ `Failed`
+ `Stopped`
+ `Stopping`
Ces statuts proviennent directement de la [documentation officielle de l'API SageMaker ](https://docs.aws.amazon.com/sagemaker/latest/dg/API_DescribeHyperParameterTuningJob.html#SageMaker-DescribeHyperParameterTuningJob-response-HyperParameterTuningJobStatus) AI.
En plus du statut officiel d' SageMaker IA, il est possible de `STATUS` l'être`SynchronizingK8sJobWithSageMaker`. Cela signifie que l’opérateur n’a pas encore traité la tâche.
#### Compteurs de statut
Le résultat a plusieurs compteurs, comme `COMPLETED` et `INPROGRESS`. Il s'agit du nombre de tâches d'entraînement terminées et en cours, respectivement. Pour plus d'informations sur la façon dont ils sont déterminés, consultez [TrainingJobStatusCounters](https://docs.aws.amazon.com/sagemaker/latest/dg/API_TrainingJobStatusCounters.html)la documentation de l' SageMaker API.
#### Meilleur TrainingJob
Cette colonne contient le nom de la `TrainingJob` qui optimisait le mieux la métrique sélectionnée.
Pour afficher un résumé des hyperparamètres réglés, exécutez :
```
kubectl describe hyperparametertuningjob xgboost-mnist-hpo
```
Pour afficher des informations détaillées sur les `TrainingJob`, exécutez :
```
kubectl describe trainingjobs
```
#### Engendré TrainingJobs
Vous pouvez également suivre les 10 tâches d'entraînement à Kubernetes démarrées par `HyperparameterTuningJob` en exécutant la commande suivante :
```
kubectl get trainingjobs
```
### Décrivez un HyperparameterTuningJob
Vous pouvez obtenir des détails de débogage à l’aide de la commande `describe` `kubectl`.
```
kubectl describe hyperparametertuningjob xgboost-mnist-hpo
```
Outre les informations relatives à la tâche de réglage, l'opérateur SageMaker AI pour Kubernetes présente également la [meilleure tâche de formation trouvée par la tâche](https://docs.aws.amazon.com/sagemaker/latest/dg/automatic-model-tuning-monitor.html#automatic-model-tuning-best-training-job) de réglage des hyperparamètres dans la sortie, comme suit : `describe`
```
Name: xgboost-mnist-hpo
Namespace: default
Labels:
Annotations: kubectl.kubernetes.io/last-applied-configuration:
{"apiVersion":"sagemaker.aws.amazon.com/v1","kind":"HyperparameterTuningJob","metadata":{"annotations":{},"name":"xgboost-mnist-hpo","namespace":...
API Version: sagemaker.aws.amazon.com/v1
Kind: HyperparameterTuningJob
Metadata:
Creation Timestamp: 2019-10-17T01:15:52Z
Finalizers:
sagemaker-operator-finalizer
Generation: 2
Resource Version: 8167
Self Link: /apis/sagemaker.aws.amazon.com/v1/namespaces/default/hyperparametertuningjobs/xgboost-mnist-hpo
UID: a92f5e3c-f07b-11e9-bf6c-06d6f303uidu
Spec:
Hyper Parameter Tuning Job Config:
Hyper Parameter Tuning Job Objective:
Metric Name: validation:error
Type: Minimize
Parameter Ranges:
Integer Parameter Ranges:
Max Value: 20
Min Value: 10
Name: num_round
Scaling Type: Linear
Resource Limits:
Max Number Of Training Jobs: 10
Max Parallel Training Jobs: 10
Strategy: Bayesian
Training Job Early Stopping Type: Off
Hyper Parameter Tuning Job Name: xgboostha92f5e3cf07b11e9bf6c06d6
Region: us-east-2
Training Job Definition:
Algorithm Specification:
Training Image: 12345678910.dkr.ecr.us-east-2.amazonaws.com/xgboost:1
Training Input Mode: File
Input Data Config:
Channel Name: train
Content Type: text/csv
Data Source:
s3DataSource:
s3DataDistributionType: FullyReplicated
s3DataType: S3Prefix
s3Uri: https://s3-us-east-2.amazonaws.com/amzn-s3-demo-bucket/sagemaker/xgboost-mnist/train/
Channel Name: validation
Content Type: text/csv
Data Source:
s3DataSource:
s3DataDistributionType: FullyReplicated
s3DataType: S3Prefix
s3Uri: https://s3-us-east-2.amazonaws.com/amzn-s3-demo-bucket/sagemaker/xgboost-mnist/validation/
Output Data Config:
s3OutputPath: https://s3-us-east-2.amazonaws.com/amzn-s3-demo-bucket/sagemaker/xgboost-mnist/xgboost
Resource Config:
Instance Count: 1
Instance Type: ml.m4.xlarge
Volume Size In GB: 5
Role Arn: arn:aws:iam::123456789012:role/service-role/AmazonSageMaker-ExecutionRole
Static Hyper Parameters:
Name: base_score
Value: 0.5
Name: booster
Value: gbtree
Name: csv_weights
Value: 0
Name: dsplit
Value: row
Name: grow_policy
Value: depthwise
Name: lambda_bias
Value: 0.0
Name: max_bin
Value: 256
Name: max_leaves
Value: 0
Name: normalize_type
Value: tree
Name: objective
Value: reg:linear
Name: one_drop
Value: 0
Name: prob_buffer_row
Value: 1.0
Name: process_type
Value: default
Name: rate_drop
Value: 0.0
Name: refresh_leaf
Value: 1
Name: sample_type
Value: uniform
Name: scale_pos_weight
Value: 1.0
Name: silent
Value: 0
Name: sketch_eps
Value: 0.03
Name: skip_drop
Value: 0.0
Name: tree_method
Value: auto
Name: tweedie_variance_power
Value: 1.5
Stopping Condition:
Max Runtime In Seconds: 86400
Status:
Best Training Job:
Creation Time: 2019-10-17T01:16:14Z
Final Hyper Parameter Tuning Job Objective Metric:
Metric Name: validation:error
Value:
Objective Status: Succeeded
Training End Time: 2019-10-17T01:20:24Z
Training Job Arn: arn:aws:sagemaker:us-east-2:123456789012:training-job/xgboostha92f5e3cf07b11e9bf6c06d6-009-4sample
Training Job Name: xgboostha92f5e3cf07b11e9bf6c06d6-009-4c7a3059
Training Job Status: Completed
Training Start Time: 2019-10-17T01:18:35Z
Tuned Hyper Parameters:
Name: num_round
Value: 18
Hyper Parameter Tuning Job Status: Completed
Last Check Time: 2019-10-17T01:21:01Z
Sage Maker Hyper Parameter Tuning Job Name: xgboostha92f5e3cf07b11e9bf6c06d6
Training Job Status Counters:
Completed: 10
In Progress: 0
Non Retryable Error: 0
Retryable Error: 0
Stopped: 0
Total Error: 0
Events:
```
### Afficher les journaux de HyperparameterTuningJobs
Les tâches de réglage d'hyperparamètre n'ont pas de journaux, mais toutes les tâches d'entraînement qu'ils démarrent ont des journaux. Ces journaux sont accessibles comme s’il s’agissait d’une tâche d’entraînement normale. Pour de plus amples informations, veuillez consulter [Afficher les journaux de TrainingJobs](#view-logs-from-training-jobs).
### Supprimer un HyperparameterTuningJob
Utilisez la commande suivante pour arrêter une tâche d'hyperparamètre dans SageMaker AI.
```
kubectl delete hyperparametertuningjob xgboost-mnist-hpo
```
Cette commande supprime la tâche de réglage des hyperparamètres et les tâches de formation associées de votre cluster Kubernetes et les arrête dans AI. SageMaker Les tâches interrompues ou terminées ne sont pas facturées pour les ressources d' SageMaker IA. SageMaker L'IA ne supprime pas les tâches de réglage des hyperparamètres. Les tâches interrompues continuent de s'afficher sur la console SageMaker AI.
Le résultat doit être similaire à ce qui suit :
```
hyperparametertuningjob.sagemaker.aws.amazon.com "xgboost-mnist-hpo" deleted
```
**Remarque** : La commande de suppression prend environ 2 minutes pour nettoyer les ressources de l' SageMaker IA.
## L' BatchTransformJob opérateur
Les opérateurs de tâches de transformation par lots concilient les spécifications de travail de transformation par lots que vous avez spécifiées avec l' SageMaker IA en les lançant dans SageMaker AI. Vous pouvez en savoir plus sur le travail de transformation par lots SageMaker AI dans la [documentation de CreateTransformJob l'API SageMaker ](https://docs.aws.amazon.com/sagemaker/latest/dg/API_CreateTransformJob.html) AI.
**Topics**
+ [Créer un à BatchTransformJob l'aide d'un fichier YAML](#create-a-batchtransformjob-using-a-simple-yaml-file)
+ [Créer un graphique BatchTransformJob à l'aide d'un Helm](#create-a-batchtransformjob-using-a-helm-chart)
+ [Liste BatchTransformJobs](#list-batch-transform-jobs)
+ [Décrivez un BatchTransformJob](#describe-a-batch-transform-job)
+ [Afficher les journaux de BatchTransformJobs](#view-logs-from-batch-transform-jobs)
+ [Supprimer un BatchTransformJob](#delete-a-batch-transform-job)
### Créer un à BatchTransformJob l'aide d'un fichier YAML
1. Téléchargez l’exemple de fichier YAML pour la tâche de transformation par lots à l’aide de la commande suivante :
```
wget https://raw.githubusercontent.com/aws/amazon-sagemaker-operator-for-k8s/master/samples/xgboost-mnist-batchtransform.yaml
```
1. Modifiez le fichier `xgboost-mnist-batchtransform.yaml` pour modifier les paramètres nécessaires afin de les `inputdataconfig` remplacer par vos données d'entrée et `s3OutputPath` par vos compartiments Amazon S3 auxquels le rôle d'exécution SageMaker AI a accès en écriture.
1. Appliquez le fichier YAML à l’aide de la commande suivante :
```
kubectl apply -f xgboost-mnist-batchtransform.yaml
```
### Créer un graphique BatchTransformJob à l'aide d'un Helm
Vous pouvez utiliser les Charts de Helm pour exécuter des tâches de transformation par lots.
#### Obtenir le répertoire du programme d'installation de Helm
Clonez le GitHub dépôt pour obtenir le code source à l'aide de la commande suivante :
```
git clone https://github.com/aws/amazon-sagemaker-operator-for-k8s.git
```
#### Configuration du Chart de Helm
Accédez au dossier `amazon-sagemaker-operator-for-k8s/hack/charts/batch-transform-jobs/`.
Modifiez le `values.yaml` fichier pour le `inputdataconfig` remplacer par vos données d'entrée et OutputPath par vos compartiments S3 auxquels le rôle d'exécution SageMaker AI a accès en écriture.
#### Créez un BatchTransformJob
1. Utilisez la commande suivante pour créer une tâche de transformation par lots :
```
helm install . --generate-name
```
Le résultat doit être similaire à ce qui suit :
```
NAME: chart-1574292948
LAST DEPLOYED: Wed Nov 20 23:35:49 2019
NAMESPACE: default
STATUS: deployed
REVISION: 1
TEST SUITE: None
NOTES:
Thanks for installing the sagemaker-k8s-batch-transform-job.
```
1. Pour vérifier que le Chart de Helm a bien été créé, exécutez la commande suivante :
```
helm ls
NAME NAMESPACE REVISION UPDATED STATUS CHART APP VERSION
chart-1474292948 default 1 2019-11-20 23:35:49.9136092 +0000 UTC deployed sagemaker-k8s-batchtransformjob-0.1.0
chart-1474292948 default 1 2019-11-20 23:35:49.9136092 +0000 UTC deployed sagemaker-k8s-hyperparametertuningjob-0.1.0
chart-1574292948 default 1 2019-11-20 23:35:49.9136092 +0000 UTC deployed sagemaker-k8s-trainingjob-0.1.0
rolebased-1574291698 default 1 2019-11-20 23:14:59.6777082 +0000 UTC deployed sagemaker-k8s-operator-0.1.0
```
Cette commande crée une ressource Kubernetes `BatchTransformJob`. L'opérateur lance la tâche de transformation proprement dite dans l' SageMaker IA et met à jour la ressource `BatchTransformJob` Kubernetes pour refléter le statut de la tâche dans l'IA. SageMaker Vous devez payer des frais pour les ressources d' SageMaker IA utilisées pendant la durée de votre travail. Vous ne payez pas de frais une fois votre tâche terminée ou arrêtée.
**Remarque** : SageMaker L'IA ne vous permet pas de mettre à jour une tâche de transformation par lots en cours d'exécution. Vous ne pouvez pas modifier un paramètre et réappliquer le fichier de configuration. Vous devez modifier le nom des métadonnées ou supprimer la tâche existante et en créer une autre. À l’instar des opérateurs de tâche d’entraînement existants tels que `TFJob` dans Kubeflow, `update` n’est pas pris en charge.
### Liste BatchTransformJobs
Utilisez la commande suivante pour répertorier toutes les tâches créées à l'aide de l'opérateur Kubernetes :
```
kubectl get batchtransformjob
```
Le résultat doit être similaire à ce qui suit :
```
NAME STATUS CREATION-TIME SAGEMAKER-JOB-NAME
xgboost-mnist-batch-transform Completed 2019-11-18T03:44:00Z xgboost-mnist-a88fb19809b511eaac440aa8axgboost
```
Une tâche de transformation par lots reste répertoriée après son achèvement ou son échec. Vous pouvez supprimer une tâche `hyperparametertuningjob` de la liste en suivant la procédure [Supprimer un BatchTransformJob](#delete-a-batch-transform-job). Les tâches terminées ou interrompues ne sont pas facturées pour les ressources de l' SageMaker IA.
#### Valeurs de statut de transformation par lots
Le champ `STATUS` peut comporter l’une des valeurs suivantes :
+ `Completed`
+ `InProgress`
+ `Failed`
+ `Stopped`
+ `Stopping`
Ces statuts proviennent directement de la [documentation officielle de l'API SageMaker ](https://docs.aws.amazon.com/sagemaker/latest/dg/API_DescribeHyperParameterTuningJob.html#SageMaker-DescribeHyperParameterTuningJob-response-HyperParameterTuningJobStatus) AI.
En plus du statut officiel d' SageMaker IA, il est possible de `STATUS` l'être`SynchronizingK8sJobWithSageMaker`. Cela signifie que l’opérateur n’a pas encore traité la tâche.
### Décrivez un BatchTransformJob
Vous pouvez obtenir des détails de débogage à l'aide de la commande `describe` `kubectl`.
```
kubectl describe batchtransformjob xgboost-mnist-batch-transform
```
Le résultat doit être similaire à ce qui suit :
```
Name: xgboost-mnist-batch-transform
Namespace: default
Labels:
Annotations: kubectl.kubernetes.io/last-applied-configuration:
{"apiVersion":"sagemaker.aws.amazon.com/v1","kind":"BatchTransformJob","metadata":{"annotations":{},"name":"xgboost-mnist","namespace"...
API Version: sagemaker.aws.amazon.com/v1
Kind: BatchTransformJob
Metadata:
Creation Timestamp: 2019-11-18T03:44:00Z
Finalizers:
sagemaker-operator-finalizer
Generation: 2
Resource Version: 21990924
Self Link: /apis/sagemaker.aws.amazon.com/v1/namespaces/default/batchtransformjobs/xgboost-mnist
UID: a88fb198-09b5-11ea-ac44-0aa8a9UIDNUM
Spec:
Model Name: TrainingJob-20190814SMJOb-IKEB
Region: us-east-1
Transform Input:
Content Type: text/csv
Data Source:
S 3 Data Source:
S 3 Data Type: S3Prefix
S 3 Uri: s3://amzn-s3-demo-bucket/mnist_kmeans_example/input
Transform Job Name: xgboost-mnist-a88fb19809b511eaac440aa8a9SMJOB
Transform Output:
S 3 Output Path: s3://amzn-s3-demo-bucket/mnist_kmeans_example/output
Transform Resources:
Instance Count: 1
Instance Type: ml.m4.xlarge
Status:
Last Check Time: 2019-11-19T22:50:40Z
Sage Maker Transform Job Name: xgboost-mnist-a88fb19809b511eaac440aaSMJOB
Transform Job Status: Completed
Events:
```
### Afficher les journaux de BatchTransformJobs
Utilisez la commande suivante pour consulter les journaux depuis la tâche de transformation par lots `xgboost-mnist` :
```
kubectl smlogs batchtransformjob xgboost-mnist-batch-transform
```
### Supprimer un BatchTransformJob
Utilisez la commande suivante pour arrêter une tâche de transformation par lots dans SageMaker AI.
```
kubectl delete batchTransformJob xgboost-mnist-batch-transform
```
Le résultat doit être similaire à ce qui suit :
```
batchtransformjob.sagemaker.aws.amazon.com "xgboost-mnist" deleted
```
Cette commande supprime la tâche de transformation par lots de votre cluster Kubernetes et l'arrête dans AI. SageMaker Les tâches interrompues ou terminées ne sont pas facturées pour les ressources d' SageMaker IA. Delete prend environ 2 minutes pour nettoyer les ressources de l' SageMaker IA.
**Remarque** : SageMaker AI ne supprime pas les tâches de transformation par lots. Les tâches interrompues continuent de s'afficher sur la console SageMaker AI.
## L' HostingDeployment opérateur
HostingDeployment les opérateurs prennent en charge la création et la suppression d'un point de terminaison, ainsi que la mise à jour d'un point de terminaison existant, pour une inférence en temps réel. L'opérateur de déploiement d'hébergement concilie les spécifications de travail de déploiement d'hébergement que vous avez spécifiées avec l' SageMaker IA en créant des modèles, des configurations de points de terminaison et des points de terminaison dans l'IA. SageMaker Pour en savoir plus sur l'inférence par SageMaker IA, consultez la [documentation de l'CreateEndpointAPI SageMaker ](https://docs.aws.amazon.com/sagemaker/latest/dg/API_CreateEndpoint.html) AI.
**Topics**
+ [Configuration d'une HostingDeployment ressource](#configure-a-hostingdeployment-resource)
+ [Créez un HostingDeployment](#create-a-hostingdeployment)
+ [Liste HostingDeployments](#list-hostingdeployments)
+ [Décrivez un HostingDeployment](#describe-a-hostingdeployment)
+ [Invocation du point de terminaison](#invoking-the-endpoint)
+ [Mettre à jour HostingDeployment](#update-hostingdeployment)
+ [Supprimez le HostingDeployment](#delete-the-hostingdeployment)
### Configuration d'une HostingDeployment ressource
Téléchargez l'exemple de fichier YAML pour la tâche de déploiement d'hébergement à l'aide de la commande suivante :
```
wget https://raw.githubusercontent.com/aws/amazon-sagemaker-operator-for-k8s/master/samples/xgboost-mnist-hostingdeployment.yaml
```
Le fichier `xgboost-mnist-hostingdeployment.yaml` contient les composants suivants qui peuvent être modifiés selon les besoins :
+ *ProductionVariants*. Une variante de production est un ensemble d'instances servant un seul modèle. SageMaker L'IA équilibre la charge entre toutes les variantes de production en fonction des poids définis.
+ *Modèles*. Un modèle est l'ARN des conteneurs et du rôle d'exécution nécessaire pour servir un modèle. Il nécessite au moins un seul conteneur.
+ *Conteneurs*. Un conteneur spécifie le jeu de données et l’image de service. Si vous utilisez votre propre algorithme personnalisé au lieu d'un algorithme fourni par l' SageMaker IA, le code d'inférence doit répondre aux exigences de l' SageMaker IA. Pour plus d'informations, consultez la section [Utilisation de vos propres algorithmes avec SageMaker l'IA](https://docs.aws.amazon.com/sagemaker/latest/dg/your-algorithms.html).
### Créez un HostingDeployment
Pour créer un HostingDeployment, appliquez le fichier `kubectl` à l'`hosting.yaml`aide de la commande suivante :
```
kubectl apply -f hosting.yaml
```
SageMaker L'IA crée un point de terminaison avec la configuration spécifiée. Vous devez payer des frais pour les ressources d' SageMaker IA utilisées pendant la durée de vie de votre terminal. Vous ne payez pas de frais une fois votre point de terminaison supprimé.
Le processus de création prend environ 10 minutes.
### Liste HostingDeployments
Pour vérifier que le HostingDeployment a été créé, utilisez la commande suivante :
```
kubectl get hostingdeployments
```
Le résultat doit être similaire à ce qui suit :
```
NAME STATUS SAGEMAKER-ENDPOINT-NAME
host-xgboost Creating host-xgboost-def0e83e0d5f11eaaa450aSMLOGS
```
#### HostingDeployment valeurs de statut
Le champ d'état peut avoir l'une des valeurs suivantes :
+ `SynchronizingK8sJobWithSageMaker` : l'opérateur se prépare à créer le point de terminaison.
+ `ReconcilingEndpoint` : l'opérateur crée, met à jour ou supprime des ressources de point de terminaison. S'il HostingDeployment reste dans cet état, utilisez-le `kubectl describe` pour en voir la raison dans le `Additional` champ.
+ `OutOfService` : le point de terminaison n'est pas disponible pour recevoir les demandes entrantes.
+ `Creating`: [CreateEndpoint](https://docs.aws.amazon.com/sagemaker/latest/dg/API_CreateEndpoint.html)est en cours d'exécution.
+ `Updating`: [UpdateEndpoint](https://docs.aws.amazon.com/sagemaker/latest/dg/API_UpdateEndpoint.html)ou [UpdateEndpointWeightsAndCapacities](https://docs.aws.amazon.com/sagemaker/latest/dg/API_UpdateEndpointWeightsAndCapacities.html)est en cours d'exécution.
+ `SystemUpdating` : le point de terminaison fait l'objet d'une maintenance et ne peut pas être mis à jour, supprimé ou remis à l'échelle tant qu'il n'est pas terminé. Cette opération de maintenance ne modifie aucune valeur spécifiée par le client, telle que la configuration du VPC, le AWS KMS chiffrement, le modèle, le type d'instance ou le nombre d'instances.
+ `RollingBack` : le point de terminaison ne parvient pas à effectuer une augmentation ou une réduction d'échelle, ni à modifier son poids de variante et il est en cours de restauration vers sa configuration précédente. Une fois la restauration terminée, le point de terminaison revient à un statut `InService`. Ce statut de transition s'applique uniquement à un point de terminaison sur lequel le dimensionnement automatique est activé et qui subit des modifications de pondération ou de capacité dans le cadre d'un [UpdateEndpointWeightsAndCapacities](https://docs.aws.amazon.com/sagemaker/latest/dg/API_UpdateEndpointWeightsAndCapacities.html)appel ou lorsque l'[UpdateEndpointWeightsAndCapacities](https://docs.aws.amazon.com/sagemaker/latest/dg/API_UpdateEndpointWeightsAndCapacities.html)opération est appelée explicitement.
+ `InService` : le point de terminaison est disponible pour traiter les demandes entrantes.
+ `Deleting`: [DeleteEndpoint](https://docs.aws.amazon.com/sagemaker/latest/dg/API_DeleteEndpoint.html)est en cours d'exécution.
+ `Failed` : le point de terminaison n'a pas pu être créé, mis à jour ou remis à l'échelle. Utilisation [DescribeEndpoint: FailureReason](https://docs.aws.amazon.com/sagemaker/latest/dg/API_DescribeEndpoint.html#SageMaker-DescribeEndpoint-response-FailureReason) pour obtenir des informations sur l'échec. [DeleteEndpoint](https://docs.aws.amazon.com/sagemaker/latest/dg/API_DeleteEndpoint.html)est la seule opération qui peut être effectuée sur un terminal défaillant.
### Décrivez un HostingDeployment
Vous pouvez obtenir des détails de débogage à l'aide de la commande `describe` `kubectl`.
```
kubectl describe hostingdeployment
```
Le résultat doit être similaire à ce qui suit :
```
Name: host-xgboost
Namespace: default
Labels:
Annotations: kubectl.kubernetes.io/last-applied-configuration:
{"apiVersion":"sagemaker.aws.amazon.com/v1","kind":"HostingDeployment","metadata":{"annotations":{},"name":"host-xgboost","namespace":"def..."
API Version: sagemaker.aws.amazon.com/v1
Kind: HostingDeployment
Metadata:
Creation Timestamp: 2019-11-22T19:40:00Z
Finalizers:
sagemaker-operator-finalizer
Generation: 1
Resource Version: 4258134
Self Link: /apis/sagemaker.aws.amazon.com/v1/namespaces/default/hostingdeployments/host-xgboost
UID: def0e83e-0d5f-11ea-aa45-0a3507uiduid
Spec:
Containers:
Container Hostname: xgboost
Image: 123456789012.dkr.ecr.us-east-2.amazonaws.com/xgboost:latest
Model Data URL: s3://amzn-s3-demo-bucket/inference/xgboost-mnist/model.tar.gz
Models:
Containers:
xgboost
Execution Role Arn: arn:aws:iam::123456789012:role/service-role/AmazonSageMaker-ExecutionRole
Name: xgboost-model
Primary Container: xgboost
Production Variants:
Initial Instance Count: 1
Instance Type: ml.c5.large
Model Name: xgboost-model
Variant Name: all-traffic
Region: us-east-2
Status:
Creation Time: 2019-11-22T19:40:04Z
Endpoint Arn: arn:aws:sagemaker:us-east-2:123456789012:endpoint/host-xgboost-def0e83e0d5f11eaaaexample
Endpoint Config Name: host-xgboost-1-def0e83e0d5f11e-e08f6c510d5f11eaaa450aexample
Endpoint Name: host-xgboost-def0e83e0d5f11eaaa450a350733ba06
Endpoint Status: Creating
Endpoint URL: https://runtime.sagemaker.us-east-2.amazonaws.com/endpoints/host-xgboost-def0e83e0d5f11eaaaexample/invocations
Last Check Time: 2019-11-22T19:43:57Z
Last Modified Time: 2019-11-22T19:40:04Z
Model Names:
Name: xgboost-model
Value: xgboost-model-1-def0e83e0d5f11-df5cc9fd0d5f11eaaa450aexample
Events:
```
Le champ de statut fournit plus d'informations à l'aide des champs suivants :
+ `Additional` : informations supplémentaires sur l'état du déploiement d'hébergement. Ce champ est facultatif et n’est renseigné qu’en cas d’erreur.
+ `Creation Time`: Lorsque le point de terminaison a été créé dans SageMaker l'IA.
+ `Endpoint ARN`: L'ARN du point de terminaison de l' SageMaker IA.
+ `Endpoint Config Name`: nom SageMaker AI de la configuration du point de terminaison.
+ `Endpoint Name`: nom SageMaker AI du point de terminaison.
+ `Endpoint Status` : état du point de terminaison.
+ `Endpoint URL` : URL HTTPS qui peut être utilisée pour accéder au point de terminaison. Pour plus d'informations, voir [Déployer un modèle sur les services d'hébergement SageMaker AI](https://docs.aws.amazon.com/sagemaker/latest/dg/deploy-model.html).
+ `FailureReason` : si une commande de création, de mise à jour ou de suppression échoue, la cause est indiquée ici.
+ `Last Check Time` : dernière fois que l'opérateur a vérifié l'état du point de terminaison.
+ `Last Modified Time` : date et heure de la dernière modification du point de terminaison.
+ `Model Names`: une paire clé-valeur entre les noms de HostingDeployment modèles et les noms de modèles d' SageMaker IA.
### Invocation du point de terminaison
Une fois que l'état du point de terminaison est atteint`InService`, vous pouvez appeler le point de terminaison de deux manières : en utilisant la AWS CLI, qui effectue l'authentification et la signature des demandes d'URL, ou en utilisant un client HTTP tel que cURL. Si vous utilisez votre propre client, vous devez effectuer vous-même la signature et l'authentification de l'URL AWS v4.
Pour appeler le point de terminaison à l'aide de la AWS CLI, exécutez la commande suivante. Assurez-vous de remplacer la région et le nom du point de terminaison par le nom de la région et du point de terminaison SageMaker AI de votre point de terminaison. Ces informations peuvent être obtenues à partir du résultat de `kubectl describe`.
```
# Invoke the endpoint with mock input data.
aws sagemaker-runtime invoke-endpoint \
--region us-east-2 \
--endpoint-name \
--body $(seq 784 | xargs echo | sed 's/ /,/g') \
>(cat) \
--content-type text/csv > /dev/null
```
Par exemple, si votre région est `us-east-2` et votre nom de configuration de point de terminaison est `host-xgboost-f56b6b280d7511ea824b129926example`, la commande suivante invoquerait le point de terminaison :
```
aws sagemaker-runtime invoke-endpoint \
--region us-east-2 \
--endpoint-name host-xgboost-f56b6b280d7511ea824b1299example \
--body $(seq 784 | xargs echo | sed 's/ /,/g') \
>(cat) \
--content-type text/csv > /dev/null
4.95847082138
```
Ici, `4.95847082138` est la prédiction du modèle pour les données simulées.
### Mettre à jour HostingDeployment
1. Une fois qu'un HostingDeployment a un statut de`InService`, il peut être mis à jour. La mise en service peut prendre environ 10 minutes. HostingDeployment Utilisez la commande suivante pour vérifier que l'état est `InService` :
```
kubectl get hostingdeployments
```
1. Ils HostingDeployment peuvent être mis à jour avant que le statut ne le soit`InService`. L'opérateur attend que le point de terminaison SageMaker AI soit activé `InService` avant d'appliquer la mise à jour.
Pour appliquer une mise à jour, modifiez le fichier `hosting.yaml`. Par exemple, remplacez le champ `initialInstanceCount` de 1 à 2 comme suit :
```
apiVersion: sagemaker.aws.amazon.com/v1
kind: HostingDeployment
metadata:
name: host-xgboost
spec:
region: us-east-2
productionVariants:
- variantName: all-traffic
modelName: xgboost-model
initialInstanceCount: 2
instanceType: ml.c5.large
models:
- name: xgboost-model
executionRoleArn: arn:aws:iam::123456789012:role/service-role/AmazonSageMaker-ExecutionRole
primaryContainer: xgboost
containers:
- xgboost
containers:
- containerHostname: xgboost
modelDataUrl: s3://amzn-s3-demo-bucket/inference/xgboost-mnist/model.tar.gz
image: 123456789012.dkr.ecr.us-east-2.amazonaws.com/xgboost:latest
```
1. Enregistrez le fichier, puis utilisez `kubectl` pour appliquer votre mise à jour comme suit. Vous devez voir l’état passer de `InService` à `ReconcilingEndpoint`, puis à `Updating`.
```
$ kubectl apply -f hosting.yaml
hostingdeployment.sagemaker.aws.amazon.com/host-xgboost configured
$ kubectl get hostingdeployments
NAME STATUS SAGEMAKER-ENDPOINT-NAME
host-xgboost ReconcilingEndpoint host-xgboost-def0e83e0d5f11eaaa450a350abcdef
$ kubectl get hostingdeployments
NAME STATUS SAGEMAKER-ENDPOINT-NAME
host-xgboost Updating host-xgboost-def0e83e0d5f11eaaa450a3507abcdef
```
SageMaker L'IA déploie un nouvel ensemble d'instances avec vos modèles, fait basculer le trafic pour utiliser les nouvelles instances et vide les anciennes instances. Dès que ce processus commence, l’état devient `Updating`. Une fois la mise à jour terminée, votre point de terminaison devient `InService`. Ce processus prend environ 10 minutes.
### Supprimez le HostingDeployment
1. `kubectl`À utiliser pour supprimer un à l' HostingDeployment aide de la commande suivante :
```
kubectl delete hostingdeployments host-xgboost
```
Le résultat doit être similaire à ce qui suit :
```
hostingdeployment.sagemaker.aws.amazon.com "host-xgboost" deleted
```
1. Pour vérifier que le déploiement d’hébergement a été supprimé, utilisez la commande suivante :
```
kubectl get hostingdeployments
No resources found.
```
Les points de terminaison qui ont été supprimés ne sont pas facturés pour les ressources d' SageMaker IA.
## L' ProcessingJob opérateur
ProcessingJob les opérateurs sont utilisés pour lancer les tâches SageMaker de traitement Amazon. Pour plus d'informations sur le SageMaker traitement des tâches, consultez [CreateProcessingJob](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateProcessingJob.html).
**Topics**
+ [Créez un à ProcessingJob l'aide d'un fichier YAML](#kubernetes-processing-job-yaml)
+ [Liste ProcessingJobs](#kubernetes-processing-job-list)
+ [Décrivez un ProcessingJob](#kubernetes-processing-job-description)
+ [Supprimer un ProcessingJob](#kubernetes-processing-job-delete)
### Créez un à ProcessingJob l'aide d'un fichier YAML
Pour créer une tâche de SageMaker traitement Amazon à l'aide d'un fichier YAML, procédez comme suit :
1. Téléchargez le script de pré-traitement `kmeans_preprocessing.py`.
```
wget https://raw.githubusercontent.com/aws/amazon-sagemaker-operator-for-k8s/master/samples/kmeans_preprocessing.py
```
1. Dans l'un de vos compartiments Amazon Simple Storage Service (Amazon S3), créez un dossier `mnist_kmeans_example/processing_code` et téléchargez-y le script.
1. Téléchargez le fichier `kmeans-mnist-processingjob.yaml`.
```
wget https://raw.githubusercontent.com/aws/amazon-sagemaker-operator-for-k8s/master/samples/kmeans-mnist-processingjob.yaml
```
1. Modifiez le fichier YAML pour spécifier votre `sagemaker-execution-role` et remplacez toutes les instances de `amzn-s3-demo-bucket` par votre compartiment S3.
```
...
metadata:
name: kmeans-mnist-processing
...
roleArn: arn:aws:iam:::role/service-role/
...
processingOutputConfig:
outputs:
...
s3Output:
s3Uri: s3:///mnist_kmeans_example/output/
...
processingInputs:
...
s3Input:
s3Uri: s3:///mnist_kmeans_example/processing_code/kmeans_preprocessing.py
```
Ils `sagemaker-execution-role` doivent disposer d'autorisations pour que l' SageMaker IA puisse accéder à votre compartiment S3, à Amazon CloudWatch et à d'autres services en votre nom. Pour plus d'informations sur la création d'un rôle d'exécution, consultez la section [Rôles SageMaker AI](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-roles.html#sagemaker-roles-createtrainingjob-perms).
1. Appliquez le fichier YAML à l’aide de l’une des commandes suivantes.
Pour l'installation à portée de cluster :
```
kubectl apply -f kmeans-mnist-processingjob.yaml
```
Pour l'installation à portée de l'espace de noms :
```
kubectl apply -f kmeans-mnist-processingjob.yaml -n
```
### Liste ProcessingJobs
Utilisez l'une des commandes suivantes pour répertorier toutes les tâches créées à l'aide de l' ProcessingJob opérateur. `SAGEMAKER-JOB-NAME `provient de la `metadata` section du fichier YAML.
Pour l’installation à portée de cluster :
```
kubectl get ProcessingJob kmeans-mnist-processing
```
Pour l'installation à portée de l'espace de noms :
```
kubectl get ProcessingJob -n kmeans-mnist-processing
```
Votre sortie doit ressembler à ce qui suit :
```
NAME STATUS CREATION-TIME SAGEMAKER-JOB-NAME
kmeans-mnist-processing InProgress 2020-09-22T21:13:25Z kmeans-mnist-processing-7410ed52fd1811eab19a165ae9f9e385
```
Le résultat répertorie toutes les tâches, quel que soit leur statut. Pour supprimer une tâche de la liste, consultez [Suppression d’une tâche de traitement](https://docs.aws.amazon.com/sagemaker/latest/dg/kubernetes-processing-job-operator.html#kubernetes-processing-job-delete).
**ProcessingJob État**
+ `SynchronizingK8sJobWithSageMaker` – La tâche est d'abord envoyée au cluster. L'opérateur a reçu la demande et se prépare à créer la tâche de traitement.
+ `Reconciling` – L'opérateur est en train d'initialiser ou de récupérer des erreurs transitoires, avec d'autres. Si la tâche de traitement reste dans cet état, utilisez la commande `kubectl` `describe` pour connaître la raison dans le champ `Additional`.
+ `InProgress | Completed | Failed | Stopping | Stopped`— État de la tâche SageMaker de traitement. Pour de plus amples informations, veuillez consulter [DescribeProcessingJob](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DescribeProcessingJob.html#sagemaker-DescribeProcessingJob-response-ProcessingJobStatus).
+ `Error` : l’opérateur ne peut pas récupérer via un rapprochement.
Les tâches terminées, interrompues ou échouées n'entraînent pas de frais supplémentaires pour les ressources d' SageMaker IA.
### Décrivez un ProcessingJob
Utilisez l'une des commandes suivantes pour obtenir plus de détails sur une tâche de traitement. Ces commandes sont généralement utilisées pour déboguer un problème ou vérifier les paramètres d'une tâche de traitement.
Pour l'installation à portée de cluster :
```
kubectl describe processingjob kmeans-mnist-processing
```
Pour l'installation à portée de l'espace de noms :
```
kubectl describe processingjob kmeans-mnist-processing -n
```
Le résultat de votre tâche de traitement doit ressembler à ce qui suit :
```
$ kubectl describe ProcessingJob kmeans-mnist-processing
Name: kmeans-mnist-processing
Namespace: default
Labels:
Annotations: kubectl.kubernetes.io/last-applied-configuration:
{"apiVersion":"sagemaker.aws.amazon.com/v1","kind":"ProcessingJob","metadata":{"annotations":{},"name":"kmeans-mnist-processing",...
API Version: sagemaker.aws.amazon.com/v1
Kind: ProcessingJob
Metadata:
Creation Timestamp: 2020-09-22T21:13:25Z
Finalizers:
sagemaker-operator-finalizer
Generation: 2
Resource Version: 21746658
Self Link: /apis/sagemaker.aws.amazon.com/v1/namespaces/default/processingjobs/kmeans-mnist-processing
UID: 7410ed52-fd18-11ea-b19a-165ae9f9e385
Spec:
App Specification:
Container Entrypoint:
python
/opt/ml/processing/code/kmeans_preprocessing.py
Image Uri: 763104351884.dkr.ecr.us-west-2.amazonaws.com/pytorch-training:1.5.0-cpu-py36-ubuntu16.04
Environment:
Name: MYVAR
Value: my_value
Name: MYVAR2
Value: my_value2
Network Config:
Processing Inputs:
Input Name: mnist_tar
s3Input:
Local Path: /opt/ml/processing/input
s3DataType: S3Prefix
s3InputMode: File
s3Uri: s3://-us-west-2/algorithms/kmeans/mnist/mnist.pkl.gz
Input Name: source_code
s3Input:
Local Path: /opt/ml/processing/code
s3DataType: S3Prefix
s3InputMode: File
s3Uri: s3:///mnist_kmeans_example/processing_code/kmeans_preprocessing.py
Processing Output Config:
Outputs:
Output Name: train_data
s3Output:
Local Path: /opt/ml/processing/output_train/
s3UploadMode: EndOfJob
s3Uri: s3:///mnist_kmeans_example/output/
Output Name: test_data
s3Output:
Local Path: /opt/ml/processing/output_test/
s3UploadMode: EndOfJob
s3Uri: s3:///mnist_kmeans_example/output/
Output Name: valid_data
s3Output:
Local Path: /opt/ml/processing/output_valid/
s3UploadMode: EndOfJob
s3Uri: s3:///mnist_kmeans_example/output/
Processing Resources:
Cluster Config:
Instance Count: 1
Instance Type: ml.m5.xlarge
Volume Size In GB: 20
Region: us-west-2
Role Arn: arn:aws:iam:::role/m-sagemaker-role
Stopping Condition:
Max Runtime In Seconds: 1800
Tags:
Key: tagKey
Value: tagValue
Status:
Cloud Watch Log URL: https://us-west-2.console.aws.amazon.com/cloudwatch/home?region=us-west-2#logStream:group=/aws/sagemaker/ProcessingJobs;prefix=kmeans-mnist-processing-7410ed52fd1811eab19a165ae9f9e385;streamFilter=typeLogStreamPrefix
Last Check Time: 2020-09-22T21:14:29Z
Processing Job Status: InProgress
Sage Maker Processing Job Name: kmeans-mnist-processing-7410ed52fd1811eab19a165ae9f9e385
Events:
```
### Supprimer un ProcessingJob
Lorsque vous supprimez une tâche de traitement, la tâche de SageMaker traitement est supprimée de Kubernetes mais elle n'est pas supprimée de AI. SageMaker Si le statut de la tâche dans SageMaker AI est `InProgress` le suivant, la tâche est arrêtée. Les tâches de traitement qui sont arrêtées n'entraînent aucun frais pour les ressources de l' SageMaker IA. Utilisez l’une des commandes suivantes pour supprimer une tâche de traitement.
Pour l'installation à portée de cluster :
```
kubectl delete processingjob kmeans-mnist-processing
```
Pour l'installation à portée de l'espace de noms :
```
kubectl delete processingjob kmeans-mnist-processing -n
```
Le résultat de votre tâche de traitement doit ressembler à ce qui suit :
```
processingjob.sagemaker.aws.amazon.com "kmeans-mnist-processing" deleted
```
**Note**
SageMaker L'IA ne supprime pas la tâche de traitement. Les tâches interrompues continuent de s'afficher dans la console SageMaker AI. La `delete` commande prend quelques minutes pour nettoyer les ressources de l' SageMaker IA.
## HostingAutoscalingPolicy (HAP) Opérateur
L'opérateur HostingAutoscalingPolicy (HAP) prend une liste de ressources IDs en entrée et applique la même politique à chacune d'elles. Chaque ID de ressource est une combinaison d'un nom de point de terminaison et d'un nom de variante. L'opérateur HAP effectue deux étapes : il enregistre la ressource, IDs puis applique la politique de dimensionnement à chaque ID de ressource. `Delete`annule les deux actions. Vous pouvez appliquer le HAP à un point de terminaison d' SageMaker IA existant ou vous pouvez créer un nouveau point de terminaison d' SageMaker IA à l'aide de l'[HostingDeployment opérateur](https://docs.aws.amazon.com/sagemaker/latest/dg/hosting-deployment-operator.html#create-a-hostingdeployment). Pour en savoir plus sur la mise à l'échelle automatique de l' SageMaker IA, consultez la documentation relative à la [politique de mise à l'échelle automatique des applications](https://docs.aws.amazon.com/sagemaker/latest/dg/endpoint-auto-scaling.html).
**Note**
Dans vos commandes `kubectl`, vous pouvez utiliser le format court, `hap`, à la place de `hostingautoscalingpolicy`.
**Topics**
+ [Créez un à HostingAutoscalingPolicy l'aide d'un fichier YAML](#kubernetes-hap-job-yaml)
+ [Liste HostingAutoscalingPolicies](#kubernetes-hap-list)
+ [Décrivez un HostingAutoscalingPolicy](#kubernetes-hap-describe)
+ [Mettre à jour un HostingAutoscalingPolicy](#kubernetes-hap-update)
+ [Supprimer un HostingAutoscalingPolicy](#kubernetes-hap-delete)
+ [Mettre à jour ou supprimer un point de terminaison doté d'un HostingAutoscalingPolicy](#kubernetes-hap-update-delete-endpoint)
### Créez un à HostingAutoscalingPolicy l'aide d'un fichier YAML
Utilisez un fichier YAML pour créer un HostingAutoscalingPolicy (HAP) qui applique une métrique prédéfinie ou personnalisée à un ou plusieurs points de terminaison SageMaker AI.
Amazon SageMaker AI a besoin de valeurs spécifiques pour appliquer l'autoscaling à votre variante. Si ces valeurs ne sont pas spécifiées dans la spécification YAML, l’opérateur HAP applique les valeurs par défaut suivantes.
```
# Do not change
Namespace = "sagemaker"
# Do not change
ScalableDimension = "sagemaker:variant:DesiredInstanceCount"
# Only one supported
PolicyType = "TargetTrackingScaling"
# This is the default policy name but can be changed to apply a custom policy
DefaultAutoscalingPolicyName = "SageMakerEndpointInvocationScalingPolicy"
```
Utilisez les exemples suivants pour créer une HAP qui applique une métrique prédéfinie ou personnalisée à un ou plusieurs points de terminaison.
#### Exemple 1 : Application d'une métrique prédéfinie à une variante de point de terminaison unique
1. Téléchargez l'exemple de fichier YAML pour une métrique prédéfinie à l'aide de la commande suivante :
```
wget https://raw.githubusercontent.com/aws/amazon-sagemaker-operator-for-k8s/master/samples/hap-predefined-metric.yaml
```
1. Modifiez le fichier YAML pour spécifier votre `endpointName`, votre `variantName` et votre `Region`.
1. Utilisez l'une des commandes suivantes pour appliquer une métrique prédéfinie à un seul ID de ressource (combinaison de nom de point de terminaison et de nom de variante).
Pour l'installation à portée de cluster :
```
kubectl apply -f hap-predefined-metric.yaml
```
Pour l'installation à portée de l'espace de noms :
```
kubectl apply -f hap-predefined-metric.yaml -n
```
#### Exemple 2 : Application d'une métrique personnalisée à une variante de point de terminaison unique
1. Téléchargez l'exemple de fichier YAML pour une métrique personnalisée à l'aide de la commande suivante :
```
wget https://raw.githubusercontent.com/aws/amazon-sagemaker-operator-for-k8s/master/samples/hap-custom-metric.yaml
```
1. Modifiez le fichier YAML pour spécifier votre `endpointName`, votre `variantName` et votre `Region`.
1. Utilisez l’une des commandes suivantes pour appliquer une métrique personnalisée à un seul ID de ressource (combinaison de nom de point de terminaison et de nom de variante) à la place de la `SageMakerVariantInvocationsPerInstance` recommandée.
**Note**
Amazon SageMaker AI ne vérifie pas la validité de vos spécifications YAML.
Pour l’installation à portée de cluster :
```
kubectl apply -f hap-custom-metric.yaml
```
Pour l'installation à portée de l'espace de noms :
```
kubectl apply -f hap-custom-metric.yaml -n
```
#### Exemple 3 : Application d'une politique de mise à l'échelle à plusieurs points de terminaison et variantes
Vous pouvez utiliser l'opérateur HAP pour appliquer la même politique de dimensionnement à plusieurs ressources IDs. Une demande `scaling_policy` distincte est créée pour chaque ID de ressource (combinaison de nom de point de terminaison et de nom de variante).
1. Téléchargez l'exemple de fichier YAML pour une métrique prédéfinie à l'aide de la commande suivante :
```
wget https://raw.githubusercontent.com/aws/amazon-sagemaker-operator-for-k8s/master/samples/hap-predefined-metric.yaml
```
1. Modifiez le fichier YAML pour spécifier votre `Region` et plusieurs valeurs `endpointName` et `variantName`.
1. Utilisez l'une des commandes suivantes pour appliquer une métrique prédéfinie à plusieurs ressources IDs (combinaisons de nom de point de terminaison et de nom de variante).
Pour l’installation à portée de cluster :
```
kubectl apply -f hap-predefined-metric.yaml
```
Pour l'installation à portée de l'espace de noms :
```
kubectl apply -f hap-predefined-metric.yaml -n
```
#### Considérations HostingAutoscalingPolicies relatives à plusieurs terminaux et variantes
Les considérations suivantes s'appliquent lorsque vous utilisez plusieurs ressources IDs :
+ Si vous appliquez une seule politique à plusieurs ressources IDs, un PolicYarn est créé par ID de ressource. Cinq points de terminaison ont cinq politiquesARNs. Lorsque vous exécutez la commande `describe` sur la politique, les réponses apparaissent comme une tâche et incluent un statut de tâche unique.
+ Si vous appliquez une métrique personnalisée à plusieurs ressources IDs, la même dimension ou valeur est utilisée pour toutes les valeurs d'ID de ressource (variante). Par exemple, si vous appliquez une métrique client pour les instances 1 à 5 et que la dimension de variante de point de terminaison est mappée à la variante 1, lorsque la variante 1 dépasse les métriques, tous les points de terminaison sont augmentés ou réduits.
+ L'opérateur HAP prend en charge la mise à jour de la liste des ressources IDs. Si vous modifiez, ajoutez ou supprimez une ressource dans la spécification, la politique de mise IDs à l'échelle automatique est supprimée de la liste de variantes précédente et appliquée aux nouvelles combinaisons d'identifiants de ressources spécifiées. Utilisez la [https://docs.aws.amazon.com/sagemaker/latest/dg/kubernetes-hap-operator.html#kubernetes-hap-describe](https://docs.aws.amazon.com/sagemaker/latest/dg/kubernetes-hap-operator.html#kubernetes-hap-describe)commande pour répertorier la ressource IDs à laquelle la politique est actuellement appliquée.
### Liste HostingAutoscalingPolicies
Utilisez l'une des commandes suivantes pour répertorier toutes les HostingAutoscalingPolicies (HAPs) créées à l'aide de l'opérateur HAP.
Pour l’installation à portée de cluster :
```
kubectl get hap
```
Pour l'installation à portée de l'espace de noms :
```
kubectl get hap -n
```
Votre sortie doit ressembler à ce qui suit :
```
NAME STATUS CREATION-TIME
hap-predefined Created 2021-07-13T21:32:21Z
```
Utilisez la commande suivante pour vérifier l'état de votre HostingAutoscalingPolicy (HAP).
```
kubectl get hap
```
L'une des valeurs suivantes est renvoyée :
+ `Reconciling` – Certains types d'erreurs affichent l'état `Reconciling` au lieu de `Error`. Certains exemples sont des erreurs côté serveur et des points de terminaison à l'état `Creating` ou `Updating`. Vérifiez le champ `Additional` dans les journaux d'état ou d'opérateur pour plus d'informations.
+ `Created`
+ `Error`
**Pour afficher le point de terminaison de scalabilité automatique auquel vous avez appliqué la politique**
1. Ouvrez la console Amazon SageMaker AI à l'adresse [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Dans le panneau latéral gauche, développez **Inférence (Inférence)**.
1. Choisissez **Endpoints (Points de terminaison)**.
1. Sélectionnez le nom du point de terminaison qui vous intéresse.
1. Faites défiler jusqu'à la section **Endpoint runtime settings (Paramètres d'exécution du point de terminaison)**.
### Décrivez un HostingAutoscalingPolicy
Utilisez la commande suivante pour obtenir plus de détails sur a HostingAutoscalingPolicy (HAP). Ces commandes sont généralement utilisées pour résoudre un problème ou vérifier la ressource IDs (combinaisons de nom de point de terminaison et de nom de variante) d'un HAP.
```
kubectl describe hap
```
### Mettre à jour un HostingAutoscalingPolicy
L'opérateur HostingAutoscalingPolicy (HAP) prend en charge les mises à jour. Vous pouvez modifier votre spécification YAML afin de modifier les valeurs, puis appliquer à nouveau la politique. L'opérateur HAP supprime la politique existante et applique la nouvelle.
### Supprimer un HostingAutoscalingPolicy
Utilisez l'une des commandes suivantes pour supprimer une politique HostingAutoscalingPolicy (HAP).
Pour l’installation à portée de cluster :
```
kubectl delete hap hap-predefined
```
Pour l'installation à portée de l'espace de noms :
```
kubectl delete hap hap-predefined -n
```
Cette commande supprime la politique de mise à l'échelle et annule l'enregistrement de la cible de mise à l'échelle de Kubernetes. Cette commande renvoie le résultat suivant :
```
hostingautoscalingpolicies.sagemaker.aws.amazon.com "hap-predefined" deleted
```
### Mettre à jour ou supprimer un point de terminaison doté d'un HostingAutoscalingPolicy
Pour mettre à jour un terminal doté d'un HostingAutoscalingPolicy (HAP), utilisez la `kubectl` `delete` commande pour supprimer le HAP, mettre à jour le point de terminaison, puis réappliquer le HAP.
Pour supprimer un point de terminaison qui possède une HAP, utilisez la commande `kubectl` `delete` pour supprimer l’HAP avant de supprimer le point de terminaison.