기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다. # `modeltransform` 명령을 사용한 모델 변환 Neptune ML `modeltransform` 명령을 사용하여 모델 변환 작업을 생성하거나, 작업 상태를 확인하거나, 중지하거나, 모든 활성 모델 변환 작업을 나열할 수 있습니다. ## Neptune ML `modeltransform` 명령을 사용하여 모델 변환 작업 생성 모델 재훈련 없이 증분 변환 작업을 생성하는 Neptune ML `modeltransform` 명령은 다음과 같습니다. ------ #### [ AWS CLI ] ``` aws neptunedata start-ml-model-transform-job \ --endpoint-url https://{{your-neptune-endpoint}}:{{port}} \ --id "{{(a unique model-transform job ID)}}" \ --data-processing-job-id "{{(the job-id of a completed data-processing job)}}" \ --ml-model-training-job-id "{{(the job-id of a completed model-training job)}}" \ --model-transform-output-s3-location "s3://{{(your S3 bucket)}}/neptune-model-transform" ``` 자세한 내용은 AWS CLI 명령 참조의 [start-ml-model-transform-job](https://docs.aws.amazon.com/cli/latest/reference/neptunedata/start-ml-model-transform-job.html)을 참조하세요. ------ #### [ SDK ] ``` import boto3 from botocore.config import Config client = boto3.client( 'neptunedata', endpoint_url='https://{{your-neptune-endpoint}}:{{port}}', config=Config(read_timeout=None, retries={'total_max_attempts': 1}) ) response = client.start_ml_model_transform_job( id='{{(a unique model-transform job ID)}}', dataProcessingJobId='{{(the job-id of a completed data-processing job)}}', mlModelTrainingJobId='{{(the job-id of a completed model-training job)}}', modelTransformOutputS3Location='s3://{{(your S3 bucket)}}/neptune-model-transform' ) print(response) ``` ------ #### [ awscurl ] ``` awscurl https://{{your-neptune-endpoint}}:{{port}}/ml/modeltransform \ --region {{us-east-1}} \ --service neptune-db \ -X POST \ -H 'Content-Type: application/json' \ -d '{ "id" : "{{(a unique model-transform job ID)}}", "dataProcessingJobId" : "{{(the job-id of a completed data-processing job)}}", "mlModelTrainingJobId" : "{{(the job-id of a completed model-training job)}}", "modelTransformOutputS3Location" : "s3://{{(your S3 bucket)}}/neptune-model-transform" }' ``` **참고** 이 예제에서는 자격 AWS 증명이 환경에 구성되어 있다고 가정합니다. {{us-east-1}}을 Neptune 클러스터의 리전으로 바꿉니다. ------ #### [ curl ] ``` curl \ -X POST https://{{your-neptune-endpoint}}:{{port}}/ml/modeltransform \ -H 'Content-Type: application/json' \ -d '{ "id" : "{{(a unique model-transform job ID)}}", "dataProcessingJobId" : "{{(the job-id of a completed data-processing job)}}", "mlModelTrainingJobId" : "{{(the job-id of a completed model-training job)}}", "modelTransformOutputS3Location" : "s3://{{(your S3 bucket)}}/neptune-model-transform" }' ``` ------ 완료된 SageMaker AI 훈련 작업에서 작업을 생성하는 Neptune ML `modeltransform` 명령은 다음과 같습니다. ------ #### [ AWS CLI ] ``` aws neptunedata start-ml-model-transform-job \ --endpoint-url https://{{your-neptune-endpoint}}:{{port}} \ --id "{{(a unique model-transform job ID)}}" \ --training-job-name "{{(name of a completed SageMaker training job)}}" \ --model-transform-output-s3-location "s3://{{(your S3 bucket)}}/neptune-model-transform" ``` 자세한 내용은 AWS CLI 명령 참조의 [start-ml-model-transform-job](https://docs.aws.amazon.com/cli/latest/reference/neptunedata/start-ml-model-transform-job.html)을 참조하세요. ------ #### [ SDK ] ``` import boto3 from botocore.config import Config client = boto3.client( 'neptunedata', endpoint_url='https://{{your-neptune-endpoint}}:{{port}}', config=Config(read_timeout=None, retries={'total_max_attempts': 1}) ) response = client.start_ml_model_transform_job( id='{{(a unique model-transform job ID)}}', trainingJobName='{{(name of a completed SageMaker training job)}}', modelTransformOutputS3Location='s3://{{(your S3 bucket)}}/neptune-model-transform' ) print(response) ``` ------ #### [ awscurl ] ``` awscurl https://{{your-neptune-endpoint}}:{{port}}/ml/modeltransform \ --region {{us-east-1}} \ --service neptune-db \ -X POST \ -H 'Content-Type: application/json' \ -d '{ "id" : "{{(a unique model-transform job ID)}}", "trainingJobName" : "{{(name of a completed SageMaker training job)}}", "modelTransformOutputS3Location" : "s3://{{(your S3 bucket)}}/neptune-model-transform" }' ``` **참고** 이 예제에서는 자격 AWS 증명이 환경에 구성되어 있다고 가정합니다. {{us-east-1}}을 Neptune 클러스터의 리전으로 바꿉니다. ------ #### [ curl ] ``` curl \ -X POST https://{{your-neptune-endpoint}}:{{port}}/ml/modeltransform \ -H 'Content-Type: application/json' \ -d '{ "id" : "{{(a unique model-transform job ID)}}", "trainingJobName" : "{{(name of a completed SageMaker training job)}}", "modelTransformOutputS3Location" : "s3://{{(your S3 bucket)}}/neptune-model-transform" }' ``` ------ 사용자 지정 모델 구현을 사용하는 작업을 생성하는 Neptune ML `modeltransform` 명령은 다음과 같습니다. ------ #### [ AWS CLI ] ``` aws neptunedata start-ml-model-transform-job \ --endpoint-url https://{{your-neptune-endpoint}}:{{port}} \ --id "{{(a unique model-transform job ID)}}" \ --training-job-name "{{(name of a completed SageMaker training job)}}" \ --model-transform-output-s3-location "s3://{{(your Amazon S3 bucket)}}/neptune-model-transform/" \ --custom-model-transform-parameters '{ "sourceS3DirectoryPath": "s3://{{(your Amazon S3 bucket)}}/{{(path to your Python module)}}", "transformEntryPointScript": "{{(your transform script entry-point name in the Python module)}}" }' ``` 자세한 내용은 AWS CLI 명령 참조의 [start-ml-model-transform-job](https://docs.aws.amazon.com/cli/latest/reference/neptunedata/start-ml-model-transform-job.html)을 참조하세요. ------ #### [ SDK ] ``` import boto3 from botocore.config import Config client = boto3.client( 'neptunedata', endpoint_url='https://{{your-neptune-endpoint}}:{{port}}', config=Config(read_timeout=None, retries={'total_max_attempts': 1}) ) response = client.start_ml_model_transform_job( id='{{(a unique model-transform job ID)}}', trainingJobName='{{(name of a completed SageMaker training job)}}', modelTransformOutputS3Location='s3://{{(your Amazon S3 bucket)}}/neptune-model-transform/', customModelTransformParameters={ 'sourceS3DirectoryPath': 's3://{{(your Amazon S3 bucket)}}/{{(path to your Python module)}}', 'transformEntryPointScript': '{{(your transform script entry-point name in the Python module)}}' } ) print(response) ``` ------ #### [ awscurl ] ``` awscurl https://{{your-neptune-endpoint}}:{{port}}/ml/modeltransform \ --region {{us-east-1}} \ --service neptune-db \ -X POST \ -H 'Content-Type: application/json' \ -d '{ "id" : "{{(a unique model-transform job ID)}}", "trainingJobName" : "{{(name of a completed SageMaker training job)}}", "modelTransformOutputS3Location" : "s3://{{(your Amazon S3 bucket)}}/neptune-model-transform/", "customModelTransformParameters" : { "sourceS3DirectoryPath": "s3://{{(your Amazon S3 bucket)}}/{{(path to your Python module)}}", "transformEntryPointScript": "{{(your transform script entry-point name in the Python module)}}" } }' ``` **참고** 이 예제에서는 자격 AWS 증명이 환경에 구성되어 있다고 가정합니다. {{us-east-1}}을 Neptune 클러스터의 리전으로 바꿉니다. ------ #### [ curl ] ``` curl \ -X POST https://{{your-neptune-endpoint}}:{{port}}/ml/modeltransform \ -H 'Content-Type: application/json' \ -d '{ "id" : "{{(a unique model-transform job ID)}}", "trainingJobName" : "{{(name of a completed SageMaker training job)}}", "modelTransformOutputS3Location" : "s3://{{(your Amazon S3 bucket)}}/neptune-model-transform/", "customModelTransformParameters" : { "sourceS3DirectoryPath": "s3://{{(your Amazon S3 bucket)}}/{{(path to your Python module)}}", "transformEntryPointScript": "{{(your transform script entry-point name in the Python module)}}" } }' ``` ------ **작업을 생성하는 `modeltransform` 파라미터** + **`id`**   –   (*선택 사항*) 새 작업의 고유 식별자입니다. *유형*: 문자열. *기본값*: 자동 생성된 UUID. + **`dataProcessingJobId`**   –   완료된 데이터 처리 작업의 작업 ID입니다. *유형*: 문자열. *참고*: `dataProcessingJobId` 및 `mlModelTrainingJobId` 모두 또는 `trainingJobName`를 포함해야 합니다. + **`mlModelTrainingJobId`**   –   완료된 모델 훈련 작업의 작업 ID입니다. *유형*: 문자열. *참고*: `dataProcessingJobId` 및 `mlModelTrainingJobId` 모두 또는 `trainingJobName`를 포함해야 합니다. + **`trainingJobName`** – 완료한 SageMaker AI 훈련 작업의 이름입니다. *유형*: 문자열. *참고*: `dataProcessingJobId` 및 `mlModelTrainingJobId` 파라미터 모두 또는 `trainingJobName` 파라미터를 포함해야 합니다. + **`sagemakerIamRoleArn`** – (*선택 사항*) SageMaker AI를 실행하기 위한 IAM 역할의 ARN입니다. *유형*: 문자열. *참고*: 이는 DB 클러스터 파라미터 그룹에 나열되어 있어야 합니다. 그렇지 않으면 오류가 발생합니다. + **`neptuneIamRoleArn`** – (*선택 사항*) SageMaker AI와 Amazon S3 리소스에 대한 Neptune의 액세스 권한을 제공하는 IAM 역할의 ARN입니다. *유형*: 문자열. *참고*: 이는 DB 클러스터 파라미터 그룹에 나열되어 있어야 합니다. 그렇지 않으면 오류가 발생합니다. + **`customModelTransformParameters `**   –   (*선택 사항*) 사용자 지정 모델을 사용한 모델 변환의 구성 정보입니다. `customModelTransformParameters` 객체에는 다음 필드가 포함되며, 이 필드는 훈련 작업에서 저장된 모델 파라미터와 호환되는 값을 가져야 합니다. + **`sourceS3DirectoryPath`**   –   (*필수*) 모델을 구현하는 Python 모듈이 위치한 Amazon S3 위치 경로입니다. 이는 최소한 훈련 스크립트, 변환 스크립트 및 `model-hpo-configuration.json` 파일을 포함하는 유효한 기존 Amazon S3 위치를 가리켜야 합니다. + **`transformEntryPointScript`**   –   (*선택 사항*) 모델 배포에 필요한 모델 아티팩트를 계산하기 위해 하이퍼파라미터 검색에서 최적의 모델을 식별한 후 실행해야 하는 스크립트의 모듈 내 진입점 이름입니다. 명령줄 인수 없이 실행할 수 있어야 합니다. *기본값*: `transform.py`. + **`baseProcessingInstanceType`**   –   (*선택 사항*) ML 모델 훈련 준비 및 관리에 사용되는 ML 인스턴스 유형입니다. *유형*: 문자열. *참고*: 변환 데이터 및 모델을 처리하는 데 필요한 메모리 요구 사항을 기반으로 선택된 CPU 인스턴스입니다. [모델 훈련 및 모델 변환용 인스턴스 선택](machine-learning-on-graphs-instance-selection.md#machine-learning-on-graphs-training-transform-instance-size)을(를) 참조하세요. + **`baseProcessingInstanceVolumeSizeInGB`**   –   (*선택 사항*) 훈련 인스턴스의 디스크 볼륨 크기입니다. 입력 데이터와 출력 모델 모두 디스크에 저장되므로, 볼륨 크기는 두 데이터 세트를 모두 담을 수 있을 만큼 커야 합니다. *유형*: 정수. *기본값*: `0`. *참고*: 지정하지 않거나 0인 경우 Neptune ML은 데이터 처리 단계에서 생성된 권장 사항에 따라 디스크 볼륨 크기를 선택합니다. [모델 훈련 및 모델 변환용 인스턴스 선택](machine-learning-on-graphs-instance-selection.md#machine-learning-on-graphs-training-transform-instance-size)을(를) 참조하세요. + **`subnets`**   –   (*선택 사항*) Neptune VPC의 서브넷 ID입니다. *유형*: 문자열 목록. *기본값*: *없음*. + **`securityGroupIds`**   –   (*선택 사항*) VPC 보안 그룹 ID입니다. *유형*: 문자열 목록. *기본값*: *없음*. + **`volumeEncryptionKMSKey`**   –   (*선택 사항*) SageMaker AI가 변환 작업을 실행하는 ML 컴퓨팅 인스턴스에 연결된 스토리지 볼륨의 데이터를 암호화하는 데 사용하는 AWS Key Management Service (AWS KMS) 키입니다. *유형*: 문자열. *기본값*: *없음*. + **`enableInterContainerTrafficEncryption`**   –   (*선택 사항*) 훈련 또는 하이퍼 파라미터 조정 작업에서 컨테이너 간 트래픽 암호화를 활성화하거나 비활성화합니다. *유형*: 부울. *기본값*: *True*. **참고** 이 `enableInterContainerTrafficEncryption` 파라미터는 [엔진 릴리스 1.2.0.2.R3](engine-releases-1.2.0.2.R3.md)에서만 사용할 수 있습니다. + **`s3OutputEncryptionKMSKey`**   –   (*선택 사항*) SageMaker AI가 처리 작업의 출력을 암호화하는 데 사용하는 AWS Key Management Service (AWS KMS) 키입니다. *유형*: 문자열. *기본값*: *없음*. ## Neptune ML `modeltransform` 명령을 사용하여 모델 변환 작업의 상태 가져오기 작업 상태를 나타내는 샘플 Neptune ML `modeltransform` 명령은 다음과 같습니다. ------ #### [ AWS CLI ] ``` aws neptunedata get-ml-model-transform-job \ --endpoint-url https://{{your-neptune-endpoint}}:{{port}} \ --id "{{(the job ID)}}" ``` 자세한 내용은 AWS CLI 명령 참조의 [get-ml-model-transform-job](https://docs.aws.amazon.com/cli/latest/reference/neptunedata/get-ml-model-transform-job.html)을 참조하세요. ------ #### [ SDK ] ``` import boto3 from botocore.config import Config client = boto3.client( 'neptunedata', endpoint_url='https://{{your-neptune-endpoint}}:{{port}}', config=Config(read_timeout=None, retries={'total_max_attempts': 1}) ) response = client.get_ml_model_transform_job( id='{{(the job ID)}}' ) print(response) ``` ------ #### [ awscurl ] ``` awscurl https://{{your-neptune-endpoint}}:{{port}}/ml/modeltransform/{{(the job ID)}} \ --region {{us-east-1}} \ --service neptune-db \ -X GET ``` **참고** 이 예제에서는 자격 AWS 증명이 환경에 구성되어 있다고 가정합니다. {{us-east-1}}을 Neptune 클러스터의 리전으로 바꿉니다. ------ #### [ curl ] ``` curl -s \ "https://{{your-neptune-endpoint}}:{{port}}/ml/modeltransform/{{(the job ID)}}" \ | python -m json.tool ``` ------ **작업 상태를 나타내는 `modeltransform` 파라미터** + **`id`**   –   (*필수*) 모델 변환 작업의 고유 식별자입니다. *유형*: 문자열. + **`neptuneIamRoleArn`** – (*선택 사항*) SageMaker AI와 Amazon S3 리소스에 대한 Neptune의 액세스 권한을 제공하는 IAM 역할의 ARN입니다. *유형*: 문자열. *참고*: 이는 DB 클러스터 파라미터 그룹에 나열되어 있어야 합니다. 그렇지 않으면 오류가 발생합니다. ## Neptune ML `modeltransform` 명령을 사용하여 모델 변환 작업 중지 작업 중지를 위한 샘플 Neptune ML `modeltransform` 명령은 다음과 같습니다. ------ #### [ AWS CLI ] ``` aws neptunedata cancel-ml-model-transform-job \ --endpoint-url https://{{your-neptune-endpoint}}:{{port}} \ --id "{{(the job ID)}}" ``` Amazon S3 아티팩트를 정리하려면: ``` aws neptunedata cancel-ml-model-transform-job \ --endpoint-url https://{{your-neptune-endpoint}}:{{port}} \ --id "{{(the job ID)}}" \ --clean ``` 자세한 내용은 AWS CLI 명령 참조의 [cancel-ml-model-transform-job](https://docs.aws.amazon.com/cli/latest/reference/neptunedata/cancel-ml-model-transform-job.html)을 참조하세요. ------ #### [ SDK ] ``` import boto3 from botocore.config import Config client = boto3.client( 'neptunedata', endpoint_url='https://{{your-neptune-endpoint}}:{{port}}', config=Config(read_timeout=None, retries={'total_max_attempts': 1}) ) response = client.cancel_ml_model_transform_job( id='{{(the job ID)}}', clean=True ) print(response) ``` ------ #### [ awscurl ] ``` awscurl https://{{your-neptune-endpoint}}:{{port}}/ml/modeltransform/{{(the job ID)}} \ --region {{us-east-1}} \ --service neptune-db \ -X DELETE ``` Amazon S3 아티팩트를 정리하려면: ``` awscurl "https://{{your-neptune-endpoint}}:{{port}}/ml/modeltransform/{{(the job ID)}}?clean=true" \ --region {{us-east-1}} \ --service neptune-db \ -X DELETE ``` **참고** 이 예제에서는 자격 AWS 증명이 환경에 구성되어 있다고 가정합니다. {{us-east-1}}을 Neptune 클러스터의 리전으로 바꿉니다. ------ #### [ curl ] ``` curl -s \ -X DELETE "https://{{your-neptune-endpoint}}:{{port}}/ml/modeltransform/{{(the job ID)}}" ``` 아니면 다음을 사용해도 됩니다. ``` curl -s \ -X DELETE "https://{{your-neptune-endpoint}}:{{port}}/ml/modeltransform/{{(the job ID)}}?clean=true" ``` ------ **작업을 중지하는 `modeltransform` 파라미터** + **`id`**   –   (*필수*) 모델 변환 작업의 고유 식별자입니다. *유형*: 문자열. + **`neptuneIamRoleArn`** – (*선택 사항*) SageMaker AI와 Amazon S3 리소스에 대한 Neptune의 액세스 권한을 제공하는 IAM 역할의 ARN입니다. *유형*: 문자열. *참고*: 이는 DB 클러스터 파라미터 그룹에 나열되어 있어야 합니다. 그렇지 않으면 오류가 발생합니다. + **`clean`**   –   (*선택 사항*) 이 플래그는 작업이 중지될 때 모든 Amazon S3 아티팩트를 삭제하도록 지정합니다. *유형*: 부울. *기본값*: `FALSE`. ## Neptune ML `modeltransform` 명령을 사용하여 활성 모델 변환 작업 나열 활성 작업을 나열하기 위한 샘플 Neptune ML `modeltransform` 명령은 다음과 같습니다. ------ #### [ AWS CLI ] ``` aws neptunedata list-ml-model-transform-jobs \ --endpoint-url https://{{your-neptune-endpoint}}:{{port}} ``` 결과 수를 제한하려면: ``` aws neptunedata list-ml-model-transform-jobs \ --endpoint-url https://{{your-neptune-endpoint}}:{{port}} \ --max-items 3 ``` 자세한 내용은 AWS CLI 명령 참조의 [list-ml-model-transform-jobs](https://docs.aws.amazon.com/cli/latest/reference/neptunedata/list-ml-model-transform-jobs.html)를 참조하세요. ------ #### [ SDK ] ``` import boto3 from botocore.config import Config client = boto3.client( 'neptunedata', endpoint_url='https://{{your-neptune-endpoint}}:{{port}}', config=Config(read_timeout=None, retries={'total_max_attempts': 1}) ) response = client.list_ml_model_transform_jobs( maxItems=3 ) print(response) ``` ------ #### [ awscurl ] ``` awscurl https://{{your-neptune-endpoint}}:{{port}}/ml/modeltransform \ --region {{us-east-1}} \ --service neptune-db \ -X GET ``` 결과 수를 제한하려면: ``` awscurl "https://{{your-neptune-endpoint}}:{{port}}/ml/modeltransform?maxItems=3" \ --region {{us-east-1}} \ --service neptune-db \ -X GET ``` **참고** 이 예제에서는 자격 AWS 증명이 환경에 구성되어 있다고 가정합니다. {{us-east-1}}을 Neptune 클러스터의 리전으로 바꿉니다. ------ #### [ curl ] ``` curl -s "https://{{your-neptune-endpoint}}:{{port}}/ml/modeltransform" | python -m json.tool ``` 아니면 다음을 사용해도 됩니다. ``` curl -s "https://{{your-neptune-endpoint}}:{{port}}/ml/modeltransform?maxItems=3" | python -m json.tool ``` ------ **작업을 나열하는 `modeltransform` 파라미터** + **`maxItems`**   –   (*선택 사항*) 반환할 최대 항목 수입니다. *유형*: 정수. *기본값*: `10`. *최대 허용 값*: `1024`. + **`neptuneIamRoleArn`** – (*선택 사항*) SageMaker AI와 Amazon S3 리소스에 대한 Neptune의 액세스 권한을 제공하는 IAM 역할의 ARN입니다. *유형*: 문자열. *참고*: 이는 DB 클러스터 파라미터 그룹에 나열되어 있어야 합니다. 그렇지 않으면 오류가 발생합니다.