As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá. # Treinar um modelo usando o Neptune ML Depois de processar os dados que você exportou do Neptune para treinamento de modelos, você pode iniciar um trabalho de treinamento de modelos usando um comando como o seguinte: ------ #### [ AWS CLI ] ``` aws neptunedata start-ml-model-training-job \ --endpoint-url https://{{your-neptune-endpoint}}:{{port}} \ --id "{{(a unique model-training job ID)}}" \ --data-processing-job-id "{{(the data-processing job-id of a completed job)}}" \ --train-model-s3-location "s3://{{(your S3 bucket)}}/neptune-model-graph-autotrainer" ``` Para obter mais informações, consulte [start-ml-model-training-job](https://docs.aws.amazon.com/cli/latest/reference/neptunedata/start-ml-model-training-job.html) na Referência de AWS CLI Comandos. ------ #### [ 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_training_job( id='{{(a unique model-training job ID)}}', dataProcessingJobId='{{(the data-processing job-id of a completed job)}}', trainModelS3Location='s3://{{(your S3 bucket)}}/neptune-model-graph-autotrainer' ) print(response) ``` ------ #### [ awscurl ] ``` awscurl https://{{your-neptune-endpoint}}:{{port}}/ml/modeltraining \ --region {{us-east-1}} \ --service neptune-db \ -X POST \ -H 'Content-Type: application/json' \ -d '{ "id" : "{{(a unique model-training job ID)}}", "dataProcessingJobId" : "{{(the data-processing job-id of a completed job)}}", "trainModelS3Location" : "s3://{{(your S3 bucket)}}/neptune-model-graph-autotrainer" }' ``` **nota** Este exemplo pressupõe que suas AWS credenciais estejam configuradas em seu ambiente. {{us-east-1}}Substitua pela região do seu cluster Neptune. ------ #### [ curl ] ``` curl \ -X POST https://{{your-neptune-endpoint}}:{{port}}/ml/modeltraining \ -H 'Content-Type: application/json' \ -d '{ "id" : "{{(a unique model-training job ID)}}", "dataProcessingJobId" : "{{(the data-processing job-id of a completed job)}}", "trainModelS3Location" : "s3://{{(your S3 bucket)}}/neptune-model-graph-autotrainer" }' ``` ------ Os detalhes de como usar esse comando são explicados em [O comando modeltraining](machine-learning-api-modeltraining.md), junto com informações sobre como obter o status de um trabalho em execução, como interrompê-lo e como listar todos os trabalhos em execução. Você também pode fornecer um `previousModelTrainingJobId` para usar informações de um trabalho de treinamento de modelos do Neptune ML concluído para acelerar a pesquisa de hiperparâmetros em um novo trabalho de treinamento. Isso é útil durante o [novo treinamento de modelos em novos dados de grafos](machine-learning-overview-evolving-data-incremental.md#machine-learning-overview-model-retraining), bem como no [treinamento incremental nos mesmos dados de grafos](machine-learning-overview-evolving-data-incremental.md#machine-learning-overview-incremental). Use um comando como este: ------ #### [ AWS CLI ] ``` aws neptunedata start-ml-model-training-job \ --endpoint-url https://{{your-neptune-endpoint}}:{{port}} \ --id "{{(a unique model-training job ID)}}" \ --data-processing-job-id "{{(the data-processing job-id of a completed job)}}" \ --train-model-s3-location "s3://{{(your S3 bucket)}}/neptune-model-graph-autotrainer" \ --previous-model-training-job-id "{{(the model-training job-id of a completed job)}}" ``` Para obter mais informações, consulte [start-ml-model-training-job](https://docs.aws.amazon.com/cli/latest/reference/neptunedata/start-ml-model-training-job.html) na Referência de AWS CLI Comandos. ------ #### [ 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_training_job( id='{{(a unique model-training job ID)}}', dataProcessingJobId='{{(the data-processing job-id of a completed job)}}', trainModelS3Location='s3://{{(your S3 bucket)}}/neptune-model-graph-autotrainer', previousModelTrainingJobId='{{(the model-training job-id of a completed job)}}' ) print(response) ``` ------ #### [ awscurl ] ``` awscurl https://{{your-neptune-endpoint}}:{{port}}/ml/modeltraining \ --region {{us-east-1}} \ --service neptune-db \ -X POST \ -H 'Content-Type: application/json' \ -d '{ "id" : "{{(a unique model-training job ID)}}", "dataProcessingJobId" : "{{(the data-processing job-id of a completed job)}}", "trainModelS3Location" : "s3://{{(your S3 bucket)}}/neptune-model-graph-autotrainer", "previousModelTrainingJobId" : "{{(the model-training job-id of a completed job)}}" }' ``` **nota** Este exemplo pressupõe que suas AWS credenciais estejam configuradas em seu ambiente. {{us-east-1}}Substitua pela região do seu cluster Neptune. ------ #### [ curl ] ``` curl \ -X POST https://{{your-neptune-endpoint}}:{{port}}/ml/modeltraining \ -H 'Content-Type: application/json' \ -d '{ "id" : "{{(a unique model-training job ID)}}", "dataProcessingJobId" : "{{(the data-processing job-id of a completed job)}}", "trainModelS3Location" : "s3://{{(your S3 bucket)}}/neptune-model-graph-autotrainer", "previousModelTrainingJobId" : "{{(the model-training job-id of a completed job)}}" }' ``` ------ É possível treinar sua própria implementação de modelos na infraestrutura de treinamento do Neptune ML fornecendo um objeto `customModelTrainingParameters`, como este: ------ #### [ AWS CLI ] ``` aws neptunedata start-ml-model-training-job \ --endpoint-url https://{{your-neptune-endpoint}}:{{port}} \ --id "{{(a unique model-training job ID)}}" \ --data-processing-job-id "{{(the data-processing job-id of a completed job)}}" \ --train-model-s3-location "s3://{{(your Amazon S3 bucket)}}/neptune-model-graph-autotrainer" \ --model-name "custom" \ --custom-model-training-parameters '{ "sourceS3DirectoryPath": "s3://{{(your Amazon S3 bucket)}}/{{(path to your Python module)}}", "trainingEntryPointScript": "{{(your training script entry-point name in the Python module)}}", "transformEntryPointScript": "{{(your transform script entry-point name in the Python module)}}" }' ``` Para obter mais informações, consulte [start-ml-model-training-job](https://docs.aws.amazon.com/cli/latest/reference/neptunedata/start-ml-model-training-job.html) na Referência de AWS CLI Comandos. ------ #### [ 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_training_job( id='{{(a unique model-training job ID)}}', dataProcessingJobId='{{(the data-processing job-id of a completed job)}}', trainModelS3Location='s3://{{(your Amazon S3 bucket)}}/neptune-model-graph-autotrainer', modelName='custom', customModelTrainingParameters={ 'sourceS3DirectoryPath': 's3://{{(your Amazon S3 bucket)}}/{{(path to your Python module)}}', 'trainingEntryPointScript': '{{(your training script entry-point name in the Python module)}}', 'transformEntryPointScript': '{{(your transform script entry-point name in the Python module)}}' } ) print(response) ``` ------ #### [ awscurl ] ``` awscurl https://{{your-neptune-endpoint}}:{{port}}/ml/modeltraining \ --region {{us-east-1}} \ --service neptune-db \ -X POST \ -H 'Content-Type: application/json' \ -d '{ "id" : "{{(a unique model-training job ID)}}", "dataProcessingJobId" : "{{(the data-processing job-id of a completed job)}}", "trainModelS3Location" : "s3://{{(your Amazon S3 bucket)}}/neptune-model-graph-autotrainer", "modelName": "custom", "customModelTrainingParameters" : { "sourceS3DirectoryPath": "s3://{{(your Amazon S3 bucket)}}/{{(path to your Python module)}}", "trainingEntryPointScript": "{{(your training script entry-point name in the Python module)}}", "transformEntryPointScript": "{{(your transform script entry-point name in the Python module)}}" } }' ``` **nota** Este exemplo pressupõe que suas AWS credenciais estejam configuradas em seu ambiente. {{us-east-1}}Substitua pela região do seu cluster Neptune. ------ #### [ curl ] ``` curl \ -X POST https://{{your-neptune-endpoint}}:{{port}}/ml/modeltraining \ -H 'Content-Type: application/json' \ -d '{ "id" : "{{(a unique model-training job ID)}}", "dataProcessingJobId" : "{{(the data-processing job-id of a completed job)}}", "trainModelS3Location" : "s3://{{(your Amazon S3 bucket)}}/neptune-model-graph-autotrainer", "modelName": "custom", "customModelTrainingParameters" : { "sourceS3DirectoryPath": "s3://{{(your Amazon S3 bucket)}}/{{(path to your Python module)}}", "trainingEntryPointScript": "{{(your training script entry-point name in the Python module)}}", "transformEntryPointScript": "{{(your transform script entry-point name in the Python module)}}" } }' ``` ------ Consulte [O comando modeltraining](machine-learning-api-modeltraining.md) para obter mais informações, por exemplo, sobre como obter o status de um trabalho em execução, como interrompê-lo e como listar todos os trabalhos em execução. Consulte [Modelos personalizados no Neptune ML](machine-learning-custom-models.md) para obter informações sobre como implementar e usar um modelo personalizado. **Topics** + [Modelos e treinamento de modelos no Amazon Neptune ML](machine-learning-models-and-training.md) + [Personalizar as configurações de hiperparâmetros do modelo no Neptune ML](machine-learning-customizing-hyperparams.md) + [Práticas recomendadas para treinamento de modelos](machine-learning-improve-model-performance.md)