Введение и основная часть!
Мы собираемся использовать приложение Amazon SageMaker для машинного обучения в наших проектах. Тем не менее, я использую различные ресурсы, чтобы узнать, как мы можем извлечь выгоду из SageMaker и чем он отличается от других альтернативных вариантов. Множество примеров доступно на Github (издается Amazon). Эти примеры меня сбили с толку, потому что они предлагали разные подходы к разработке. После некоторых поисков в различных ресурсах; наконец, я рисую подход к разработке для себя, и я решил опубликовать также для общественности.
Вы можете взаимодействовать и использовать SageMaker(SM) с помощью Python на своем компьютере (например, Jupyter Notebook, Atom, Anaconda). Другой альтернативный подход — использование веб-сайта Amazon; вы можете добавить свой код Python в экземпляры ноутбуков Jupyter на Amazon SM (или вы можете использовать студию SageMaker).
Единственная разница между описанным выше подходом заключается в следующей команде:
1) запустите свой код на локальном компьютере:
role = «добавьте сюда свою роль» # попросите вашего администратора определить роль, например «arn: aws:iam:********:role/********”
2) запустить экземпляры ноутбука Jupyter на Amazon SM
из sagemaker import get_execution_role
role = get_execution_role()
*** вместо указанной выше команды в этом подходе также можно напрямую определить роль, например локальный режим
