如何设置 SageMaker?

按照以下步骤设置 Amazon SageMaker −

步骤 1:登录 AWS

设置 Amazon SageMaker 的第一步是登录您的 AWS 管理控制台。如果您没有 AWS 账户，则必须创建它。您可以在 AWS 网站上免费创建它。

步骤 2:导航到 SageMaker

登录后，在 AWS 控制台中搜索"SageMaker"并选择它。它将打开 Amazon SageMaker 仪表板，您可以在其中管理您的机器学习项目。

步骤 3:创建 SageMaker 笔记本实例

要开始构建机器学习模型，您需要创建一个笔记本实例。点击"笔记本实例"，然后选择"创建笔记本实例"。

步骤 4:配置笔记本实例

您需要根据计算需求选择实例类型。如果您是初学者，可以从较小的实例类型开始，例如 ml.t2.medium。

您还需要为笔记本实例命名。之后，选择具有必要权限的角色。

步骤 5:启动笔记本实例

配置完成后，点击"创建笔记本实例"。实例需要几分钟才能准备就绪。

准备就绪并运行后，点击"打开 Jupyter"以访问 Jupyter Notebook 界面。现在，您可以开始编写代码、训练模型和运行实验。

第 6 步:准备数据

在开始训练模型之前，您需要将数据上传到 Amazon S3 存储桶。

S3 是 AWS 推荐的用于 SageMaker 的存储服务。您可以直接从笔记本环境访问和预处理数据。

配置您的第一个 SageMaker 项目

一旦您的 SageMaker 笔记本实例准备就绪，您就可以开始配置您的第一个项目。请按照以下步骤操作:

第 1 步:选择预构建算法或编写您自己的算法

SageMaker 提供了许多针对性能优化的内置算法，例如 Linear Learner、XGBoost 等。您可以选择其中一种预构建算法，也可以使用 Python 编写自己的算法。

步骤 2:数据准备

数据准备是项目成功的关键。SageMaker 提供用于清理和转换数据的工具。您可以直接从笔记本访问存储在 Amazon S3 中的数据集。

使用数据准备库探索、清理和预处理数据，然后再将其输入到机器学习模型中。

步骤 3:训练模型

数据准备完成后，下一步是训练模型。在 Jupyter Notebook 中，您可以指定算法、定义超参数并配置训练作业。

步骤 4:调整和优化

Amazon SageMaker 提供自动模型调整，可调整超参数以找到最佳模型性能。训练后，您可以查看结果并进一步调整模型以提高准确性。

您还可以使用 SageMaker 的内置优化工具来加快此过程。

第 5 步:部署模型

训练和优化模型后，就可以部署它了。SageMaker 允许您将模型直接部署到端点以进行实时推理。

从 SageMaker 仪表板中选择"创建端点"并配置您的部署设置。部署后，您可以开始使用训练有素的模型进行预测。

第 6 步:监控和扩展

部署模型后，您可以监控其性能。对于监控，您可以使用 SageMaker 的内置工具。它提供实时监控、基于需求的自动扩展和版本控制。