Amazon Web Services – 在 Sagemaker 中使用自定义 UI 模板

简介

Amazon Web Services (AWS) 是一个领先的公有云服务提供商，它提供了一系列云计算服务，包括存储、计算、数据库、分析、AI、机器学习等。其中，Amazon SageMaker 是 AWS 的一项机器学习服务，可以帮助开发人员快速构建、训练和部署机器学习模型。在 Sagemaker 中，可以使用自定义 UI 模板来创建自定义控制台，以满足业务需求。

使用自定义 UI 模板

创建自定义 UI 模板

1. 打开 AWS 控制台，进入 SageMaker 页面。
2. 点击 “Notebook 实例” ，然后点击 “创建笔记本实例”。
3. 在 “创建笔记本实例” 页面，设置笔记本实例的名称、实例类型及其他参数。
4. 在 “权限和加密” 页面，可以选择启用 Amazon SageMaker Studio 来创建自定义 UI 模板。
5. 在 “SageMaker Studio 控制台” 页面，打开 “自定义用户界面”。
6. 在 “自定义用户界面” 页面，可以使用 JupyterLab 或 Voila 创建自定义 UI 模板。

使用自定义 UI 模板

1. 在 “自定义用户界面” 页面，点击 “新建 Notebook” 并创建一个 Notebook。
2. 在 Notebook 中创建一个新的 Python 代码单元格。
3. 输入以下代码，以示例模板为例：

import boto3
from sagemaker import get_execution_role
from sagemaker.session import Session
from sagemaker.inputs import TrainingInput
from sagemaker.workflow.pipeline import Pipeline
from sagemaker.workflow.pipeline_stage import TrainingStage, TransformStage

# 定义 S3 存储桶和前缀
bucket = Session().default_bucket()
prefix = 'sagemaker/DEMO-xgboost-dm'

# 定义模型训练和数据转换的输入和输出
training_input = TrainingInput(s3_data='s3://{}/{}/{}'.format(bucket, prefix, 'train'))
transform_input = TransformInput(s3_data='s3://{}/{}/{}'.format(bucket, prefix, 'test'))

# 创建 XGBoost 训练和转换 Stage
xgb_training = TrainingStage(
    name='DEMO-xgboost-dm-training',
    estimator=xgb_ranker,
    inputs=training_input,
)
xgb_transform = TransformStage(
    name='DEMO-xgboost-dm-transform',
    transformer=transformer,
    inputs=transform_input,
)

# 创建 SageMaker Pipeline
pipeline = Pipeline(
    name='DEMO-xgboost-dm-pipeline',
    stages=[xgb_training, xgb_transform],
)

# 执行 SageMaker Pipeline
execution = pipeline.start()
execution.wait()

4. 在 Notebook 中运行代码单元格，执行 SageMaker Pipeline。
5. 在 “自定义用户界面” 页面，可以看到创建的自定义控制台，并在控制台中查看 SageMaker Pipeline 的执行结果。

总结

AWS SageMaker 提供了自定义 UI 模板功能，使得开发人员可以根据业务需求创建自定义控制台，并执行 SageMaker Pipeline。通过使用自定义 UI 模板，开发人员可以极大地提高工作效率，满足业务需求。