create-algorithm
Описание
Создайте алгоритм машинного обучения, который вы можете использовать в SageMaker и перечислить в Amazon Web Services Marketplace.
См. также: Документацию API AWS
Синтаксис
create-algorithm
--algorithm-name <value>
[--algorithm-description <value>]
--training-specification <value>
[--inference-specification <value>]
[--validation-specification <value>]
[--certify-for-marketplace | --no-certify-for-marketplace]
[--tags <value>]
[--cli-input-json | --cli-input-yaml]
[--generate-cli-skeleton <value>]
[--debug]
[--endpoint-url <value>]
[--no-verify-ssl]
[--no-paginate]
[--output <value>]
[--query <value>]
[--profile <value>]
[--region <value>]
[--version <value>]
[--color <value>]
[--no-sign-request]
[--ca-bundle <value>]
[--cli-read-timeout <value>]
[--cli-connect-timeout <value>]
[--cli-binary-format <value>]
[--no-cli-pager]
[--cli-auto-prompt]
[--no-cli-auto-prompt]
Параметры
--algorithm-name (строка)
--algorithm-description (строка)
--training-specification (структура)
Указывает подробности о заданиях обучения, выполняемых этим алгоритмом, включая следующее:
- Путь Amazon ECR контейнера и хеш-значение версии алгоритма.
- Гиперпараметры, которые поддерживает алгоритм.
- Типы экземпляров, которые поддерживает алгоритм для обучения.
- Поддерживает ли алгоритм распределенное обучение.
- Метрики, которые алгоритм передает в Amazon CloudWatch.
- Какие метрики, передаваемые алгоритмом, могут использоваться в качестве целевой метрики для задач настройки гиперпараметров.
- Каналы ввода, которые поддерживает алгоритм для обучающих данных. Например, алгоритм может поддерживать
train,validationиtestканалы.
TrainingImage -> (строка)
TrainingImageDigest -> (строка)
SupportedHyperParameters -> (список)
Список объектов HyperParameterSpecification, определяющих поддерживаемые гиперпараметры. Это необходимо, если алгоритм поддерживает автоматическое подбор моделей.
(структура)
Определяет гиперпараметр, используемый алгоритмом.
Name -> (строка)
Description -> (строка)
Type -> (строка)
Integer , Continuous , Categorical и FreeText .Range -> (структура)
Диапазон допустимых значений для этого гиперпараметра.
IntegerParameterRangeSpecification -> (структура)
Объект IntegerParameterRangeSpecification, определяющий возможные значения целочисленного гиперпараметра.
MinValue -> (строка)
MaxValue -> (строка)
ContinuousParameterRangeSpecification -> (структура)
Объект ContinuousParameterRangeSpecification, определяющий возможные значения непрерывного гиперпараметра.
MinValue -> (строка)
MaxValue -> (строка)
CategoricalParameterRangeSpecification -> (структура)
Объект CategoricalParameterRangeSpecification, определяющий возможные значения категориального гиперпараметра.
Values -> (список)
Допустимые категории для гиперпараметра.
(строка)
IsTunable -> (булево)
IsRequired -> (булево)
DefaultValue -> (строка)
SupportedTrainingInstanceTypes -> (список)
Список типов экземпляров, которые может использовать этот алгоритм для обучения.
(строка)
SupportsDistributedTraining -> (булево)
MetricDefinitions -> (список)
Список объектов MetricDefinition, которые используются для анализа метрик, генерируемых алгоритмом.
(структура)
Определяет метрику, которую алгоритм обучения записывает в stderr или stdout . Вы можете просмотреть эти журналы, чтобы понять, как выполняется ваша задача обучения, и проверить наличие ошибок, возникших во время обучения. SageMaker подбирает все определенные метрики. Укажите одну из определенных метрик для использования в качестве целевой метрики, используя параметр TuningObjective в API HyperParameterTrainingJobDefinition, чтобы оценить производительность работы во время настройки гиперпараметров.
Name -> (строка)
Regex -> (строка)
TrainingChannels -> (список)
Список объектов ChannelSpecification, которые указывают источники ввода, которые будет использовать алгоритм.
(структура)
Определяет именованный источник ввода, называемый каналом, который будет использоваться алгоритмом.
Name -> (строка)
Description -> (строка)
IsRequired -> (булево)
SupportedContentTypes -> (список)
Поддерживаемые MIME-типы данных.
(строка)
SupportedCompressionTypes -> (список)
Допустимые типы сжатия, если используется сжатие данных.
(строка)
SupportedInputModes -> (список)
Допустимый режим ввода, либо FILE, либо PIPE.
В режиме FILE Amazon SageMaker копирует данные из источника в локальные тома Amazon Elastic Block Store (Amazon EBS) перед запуском вашего алгоритма обучения. Это наиболее часто используемый режим ввода.
В режиме PIPE Amazon SageMaker передает входные данные из источника непосредственно вашему алгоритму без использования тома EBS.
(строка)
Режим входных данных обучения, поддерживаемый алгоритмом. Для получения дополнительной информации о режимах ввода см. Алгоритмы .
Если алгоритм поддерживает Pipe режим, Amazon SageMaker передает данные непосредственно из Amazon S3 в контейнер.
Если алгоритм поддерживает File режим, SageMaker загружает обучающие данные из S3 в выделенный том ML и монтирует каталог в том Docker для обучающего контейнера.
Вы должны выделить том ML с достаточной емкостью для размещения данных, загруженных из S3. Кроме обучающих данных, том ML также хранит выходную модель. Контейнер алгоритма использует том ML для хранения промежуточной информации, если таковая имеется.
Для распределенных алгоритмов обучающие данные распределяются равномерно. Время обучения прогнозируемо, если размеры объектов входных данных примерно одинаковы. SageMaker не разбивает файлы дополнительно для обучения модели. Если размеры объектов различны, обучение не будет оптимальным, так как распределение данных также будет неравномерным, когда один хост в кластере обучения перегружен, что приводит к узкому месту при обучении.
Если алгоритм поддерживает FastFile режим, SageMaker передает данные напрямую из S3 в контейнер без внесения изменений в код и предоставляет доступ к файловой системе к данным. Пользователи могут написать скрипт обучения для взаимодействия с этими файлами, как если бы они хранились на диске.
FastFile режим лучше всего работает, когда данные считываются последовательно. Расширенные манифестные файлы не поддерживаются. Время запуска ниже, когда в предоставленном ведре S3 меньше файлов.SupportedTuningJobObjectiveMetrics -> (список)
Список метрик, которые алгоритм передает, которые могут использоваться в качестве целевой метрики в задаче настройки гиперпараметров.
(структура)
Определяет целевую метрику для задачи настройки гиперпараметров. Настройка гиперпараметров использует значение этой метрики для оценки запускаемых задач обучения и возвращает задачу обучения, которая приводит к наибольшему или наименьшему значению для этой метрики в зависимости от значения, которое вы указываете для параметра Type . Если вы хотите определить пользовательскую целевую метрику, см. Определение метрик и переменных среды .
Type -> (строка)
MetricName -> (строка)
AdditionalS3DataSource -> (структура)
Дополнительный источник данных, используемый во время обучения.
S3DataType -> (строка)
S3Uri -> (строка)
CompressionType -> (строка)
None, если дополнительный источник данных не сжат.ETag -> (строка)
Синтаксис JSON:
{
"TrainingImage": "string",
"TrainingImageDigest": "string",
"SupportedHyperParameters": [
{
"Name": "string",
"Description": "string",
"Type": "Integer"|"Continuous"|"Categorical"|"FreeText",
"Range": {
"IntegerParameterRangeSpecification": {
"MinValue": "string",
"MaxValue": "string"
},
"ContinuousParameterRangeSpecification": {
"MinValue": "string",
"MaxValue": "string"
},
"CategoricalParameterRangeSpecification": {
"Values": ["string", ...]
}
},
"IsTunable": true|false,
"IsRequired": true|false,
"DefaultValue": "string"
}
...
],
"SupportedTrainingInstanceTypes": ["ml.m4.xlarge"|"ml.m4.2xlarge"|"ml.m4.4xlarge"|"ml.m4.10xlarge"|"ml.m4.16xlarge"|"ml.g4dn.xlarge"|"ml.g4dn.2xlarge"|"ml.g4dn.4xlarge"|"ml.g4dn.8xlarge"|"ml.g4dn.12xlarge"|"ml.g4dn.16xlarge"|"ml.m5.large"|"ml.m5.xlarge"|"ml.m5.2xlarge"|"ml.m5.4xlarge"|"ml.m5.12xlarge"|"ml.m5.24xlarge"|"ml.c4.xlarge"|"ml.c4.2xlarge"|"ml.c4.4xlarge"|"ml.c4.8xlarge"|"ml.p2.xlarge"|"ml.p2.8xlarge"|"ml.p2.16xlarge"|"ml.p3.2xlarge"|"ml.p3.8xlarge"|"ml.p3.16xlarge"|"ml.p3dn.24xlarge"|"ml.p4d.24xlarge"|"ml.p4de.24xlarge"|"ml.p5.48xlarge"|"ml.p5e.48xlarge"|"ml.p5en.48xlarge"|"ml.c5.xlarge"|"ml.c5.2xlarge"|"ml.c5.4xlarge"|"ml.c5.9xlarge"|"ml.c5.18xlarge"|"ml.c5n.xlarge"|"ml.c5n.2xlarge"|"ml.c5n.4xlarge"|"ml.c5n.9xlarge"|"ml.c5n.18xlarge"|"ml.g5.xlarge"|"ml.g5.2xlarge"|"ml.g5.4xlarge"|"ml.g5.8xlarge"|"ml.g5.16xlarge"|"ml.g5.12xlarge"|"ml.g5.24xlarge"|"ml.g5.48xlarge"|"ml.g6.xlarge"|"ml.g6.2xlarge"|"ml.g6.4xlarge"|"ml.g6.8xlarge"|"ml.g6.16xlarge"|"ml.g6.12xlarge"|"ml.g6.24xlarge"|"ml.g6.48xlarge"|"ml.g6e.xlarge"|"ml.g6e.2xlarge"|"ml.g6e.4xlarge"|"ml.g6e.8xlarge"|"ml.g6e.16xlarge"|"ml.g6e.12xlarge"|"ml.g6e.24xlarge"|"ml.g6e.48xlarge"|"ml.trn1.2xlarge"|"ml.trn1.32xlarge"|"ml.trn1n.32xlarge"|"ml.trn2.48xlarge"|"ml.m6i.large"|"ml.m6i.xlarge"|"ml.m6i.2xlarge"|"ml.m6i.4xlarge"|"ml.m6i.8xlarge"|"ml.m6i.12xlarge"|"ml.m6i.16xlarge"|"ml.m6i.24xlarge"|"ml.m6i.32xlarge"|"ml.c6i.xlarge"|"ml.c6i.2xlarge"|"ml.c6i.8xlarge"|"ml.c6i.4xlarge"|"ml.c6i.12xlarge"|"ml.c6i.16xlarge"|"ml.c6i.24xlarge"|"ml.c6i.32xlarge"|"ml.r5d.large"|"ml.r5d.xlarge"|"ml.r5d.2xlarge"|"ml.r5d.4xlarge"|"ml.r5d.8xlarge"|"ml.r5d.12xlarge"|"ml.r5d.16xlarge"|"ml.r5d.24xlarge"|"ml.t3.medium"|"ml.t3.large"|"ml.t3.xlarge"|"ml.t3.2xlarge"|"ml.r5.large"|"ml.r5.xlarge"|"ml.r5.2xlarge"|"ml.r5.4xlarge"|"ml.r5.8xlarge"|"ml.r5.12xlarge"|"ml.r5.16xlarge"|"ml.r5.24xlarge", ...],
"SupportsDistributedTraining": true|false,
"MetricDefinitions": [
{
"Name": "string",
"Regex": "string"
}
...
],
"TrainingChannels": [
{
"Name": "string",
"Description": "string",
"IsRequired": true|false,
"SupportedContentTypes": ["string", ...],
"SupportedCompressionTypes": ["None"|"Gzip", ...],
"SupportedInputModes": ["Pipe"|"File"|"FastFile", ...]
}
...
],
"SupportedTuningJobObjectiveMetrics": [
{
"Type": "Maximize"|"Minimize",
"MetricName": "string"
}
...
],
"AdditionalS3DataSource": {
"S3DataType": "S3Object"|"S3Prefix",
"S3Uri": "string",
"CompressionType": "None"|"Gzip",
"ETag": "string"
}
}
--inference-specification (структура)
Указывает детали задач вывода, которые выполняет алгоритм, включая следующее:
- Пути Amazon ECR для контейнеров, содержащих код вывода и артефакты модели.
- Типы экземпляров, которые поддерживает алгоритм для задач преобразования и реальных конечных точек, используемых для вывода.
- Форматы входных и выходных данных, которые поддерживает алгоритм для вывода.
Контейнеры -> (список)
Путь в реестре Amazon ECR для Docker-образа, содержащего код вывода.
(структура)
Описывает Docker-контейнер для пакета модели.
ContainerHostname -> (строка)
Image -> (строка)
Путь в Amazon Elastic Container Registry (Amazon ECR), где хранится код вывода.
Если вы используете собственный алгоритм вместо алгоритма, предоставляемого SageMaker, код вывода должен соответствовать требованиям SageMaker. SageMaker поддерживает форматы путей изображений registry/repository[:tag] и registry/repository[@digest]. Дополнительную информацию см. в разделе Использование собственных алгоритмов с Amazon SageMaker.
ImageDigest -> (строка)
ModelDataUrl -> (строка)
Путь Amazon S3, где хранятся артефакты модели, полученные в результате обучения модели. Этот путь должен указывать на один gzip сжатый архив tar (.tar.gz суффикс).
Примечание
Артефакты модели должны находиться в хранилище S3 в той же области, что и пакет модели.ModelDataSource -> (структура)
Указывает расположение данных ML-модели для развертывания во время создания конечной точки.
S3DataSource -> (структура)
Указывает расположение ML-данных модели в S3 для развертывания.
S3Uri -> (строка)
S3DataType -> (строка)
Указывает тип данных ML-модели для развертывания.
Если вы выберите S3Prefix , S3Uri идентифицирует префикс имени ключа. SageMaker использует все объекты, соответствующие указанному префиксу имени ключа, как часть данных ML-модели для развертывания. Действительный префикс имени ключа, идентифицируемый S3Uri , всегда заканчивается обратной косой чертой (/).
Если вы выберите S3Object , S3Uri идентифицирует объект, являющийся данными ML-модели для развертывания.
CompressionType -> (строка)
Указывает способ подготовки данных ML-модели.
Если вы выберите Gzip и выберите S3Object в качестве значения S3DataType , S3Uri идентифицирует объект, являющийся gzip-сжатым архивом TAR. SageMaker попытается распаковать и разархивировать объект при развертывании модели.
Если вы выберите None и выберете S3Object в качестве значения S3DataType , S3Uri идентифицирует объект, представляющий нескомпрессированную ML-модель для развертывания.
Если вы выберите None и выберете S3Prefix в качестве значения S3DataType , S3Uri идентифицирует префикс имени ключа, под которым все объекты представляют нескомпрессированную ML-модель для развертывания.
Если вы выберите None, SageMaker будет следовать нижеприведенным правилам при создании файлов данных модели в каталоге /opt/ml/model для использования кодом вывода:
- Если вы выберите
S3Objectв качестве значенияS3DataType, SageMaker разделит ключ объекта S3, на который ссылаетсяS3Uri, по обратной косой черте (/), и использует последнюю часть в качестве имени файла, содержащего содержимое объекта S3. - Если вы выберите
S3Prefixв качестве значенияS3DataType, для каждого объекта S3 под префиксом имени ключа, на который ссылаетсяS3Uri, SageMaker обрежет его ключ по префиксу и использует оставшуюся часть в качестве пути (относительно/opt/ml/model) файла, содержащего содержимое объекта S3. SageMaker разделит оставшуюся часть по обратной косой черте (/), используя промежуточные части в качестве имен каталогов, а последнюю часть — в качестве имени файла, содержащего содержимое объекта S3. - Не используйте следующие значения в качестве имен файлов или каталогов:
- Пустая или пустая строка
- Строка, содержащая нулевые байты
- Строка длиной более 255 байтов
- Одна точка (
.) - Две точки (
..)
- Неоднозначные имена файлов приведут к ошибке развертывания модели. Например, если ваша нескомпрессированная ML-модель состоит из двух объектов S3
s3://mybucket/model/weightsиs3://mybucket/model/weights/part1, и вы укажетеs3://mybucket/model/в качестве значенияS3UriиS3Prefixв качестве значенияS3DataType, это приведет к столкновению имен между/opt/ml/model/weights(обычный файл) и/opt/ml/model/weights/(каталог). - Не организовывайте артефакты модели в консоли S3 с помощью папок. При создании папки в консоли S3 S3 создает объект размером 0 байт с ключом, установленным в имя папки, которое вы предоставили. Ключ 0-байтового объекта заканчивается обратной косой чертой (/), что нарушает ограничения SageMaker на имена файлов артефактов модели, что приводит к ошибке развертывания модели.
ModelAccessConfig -> (структура)
Указывает файл конфигурации доступа к ML-модели. Вы можете явно принять лицензионное соглашение конечного пользователя модели (EULA) в ModelAccessConfig . Вы несете ответственность за ознакомление и соблюдение любых применимых лицензионных условий и убедитесь, что они приемлемы для вашего варианта использования перед загрузкой или использованием модели.
AcceptEula -> (булево)
AcceptEula должно быть явно определено как True для принятия EULA, требуемого этой моделью. Вы несете ответственность за ознакомление и соблюдение любых применимых лицензионных условий и убедитесь, что они приемлемы для вашего варианта использования перед загрузкой или использованием модели.HubAccessConfig -> (структура)
Информация о конфигурации доступа к хабу.
HubContentArn -> (строка)
ManifestS3Uri -> (строка)
ETag -> (строка)
ManifestEtag -> (строка)
ProductId -> (строка)
Environment -> (карта)
Переменные среды, которые нужно установить в Docker-контейнере. Каждый ключ и значение в Environment строка-строковое отображение может иметь длину до 1024. Мы поддерживаем до 16 записей в отображении.
key -> (строка)
value -> (строка)
ModelInput -> (структура)
Структура с деталями входных данных модели.
DataInputConfig -> (строка)
Framework -> (строка)
FrameworkVersion -> (строка)
NearestModelName -> (строка)
ListModelMetadata .AdditionalS3DataSource -> (структура)
Дополнительный источник данных, используемый во время вывода в Docker-контейнере для пакета вашей модели.
S3DataType -> (строка)
S3Uri -> (строка)
CompressionType -> (строка)
None , если ваши дополнительные источники данных не сжаты.ETag -> (строка)
ModelDataETag -> (строка)
SupportedTransformInstanceTypes -> (список)
Список типов экземпляров, на которых может выполняться задача преобразования или на которых может быть развернута конечная точка.
Этот параметр обязателен для моделей без версий и необязателен для моделей с версиями.
(строка)
SupportedRealtimeInferenceInstanceTypes -> (список)
Список типов экземпляров, которые используются для генерации выводов в режиме реального времени.
Этот параметр обязателен для моделей без версий и необязателен для моделей с версиями.
(строка)
SupportedContentTypes -> (список)
Поддерживаемые типы MIME для входных данных.
(строка)
SupportedResponseMIMETypes -> (список)
Поддерживаемые типы MIME для выходных данных.
(строка)
Синтаксис JSON:
{
"Containers": [
{
"ContainerHostname": "string",
"Image": "string",
"ImageDigest": "string",
"ModelDataUrl": "string",
"ModelDataSource": {
"S3DataSource": {
"S3Uri": "string",
"S3DataType": "S3Prefix"|"S3Object",
"CompressionType": "None"|"Gzip",
"ModelAccessConfig": {
"AcceptEula": true|false
},
"HubAccessConfig": {
"HubContentArn": "string"
},
"ManifestS3Uri": "string",
"ETag": "string",
"ManifestEtag": "string"
}
},
"ProductId": "string",
"Environment": {"string": "string"
...},
"ModelInput": {
"DataInputConfig": "string"
},
"Framework": "string",
"FrameworkVersion": "string",
"NearestModelName": "string",
"AdditionalS3DataSource": {
"S3DataType": "S3Object"|"S3Prefix",
"S3Uri": "string",
"CompressionType": "None"|"Gzip",
"ETag": "string"
},
"ModelDataETag": "string"
}
...
],
"SupportedTransformInstanceTypes": ["ml.m4.xlarge"|"ml.m4.2xlarge"|"ml.m4.4xlarge"|"ml.m4.10xlarge"|"ml.m4.16xlarge"|"ml.c4.xlarge"|"ml.c4.2xlarge"|"ml.c4.4xlarge"|"ml.c4.8xlarge"|"ml.p2.xlarge"|"ml.p2.8xlarge"|"ml.p2.16xlarge"|"ml.p3.2xlarge"|"ml.p3.8xlarge"|"ml.p3.16xlarge"|"ml.c5.xlarge"|"ml.c5.2xlarge"|"ml.c5.4xlarge"|"ml.c5.9xlarge"|"ml.c5.18xlarge"|"ml.m5.large"|"ml.m5.xlarge"|"ml.m5.2xlarge"|"ml.m5.4xlarge"|"ml.m5.12xlarge"|"ml.m5.24xlarge"|"ml.m6i.large"|"ml.m6i.xlarge"|"ml.m6i.2xlarge"|"ml.m6i.4xlarge"|"ml.m6i.8xlarge"|"ml.m6i.12xlarge"|"ml.m6i.16xlarge"|"ml.m6i.24xlarge"|"ml.m6i.32xlarge"|"ml.c6i.large"|"ml.c6i.xlarge"|"ml.c6i.2xlarge"|"ml.c6i.4xlarge"|"ml.c6i.8xlarge"|"ml.c6i.12xlarge"|"ml.c6i.16xlarge"|"ml.c6i.24xlarge"|"ml.c6i.32xlarge"|"ml.r6i.large"|"ml.r6i.xlarge"|"ml.r6i.2xlarge"|"ml.r6i.4xlarge"|"ml.r6i.8xlarge"|"ml.r6i.12xlarge"|"ml.r6i.16xlarge"|"ml.r6i.24xlarge"|"ml.r6i.32xlarge"|"ml.m7i.large"|"ml.m7i.xlarge"|"ml.m7i.2xlarge"|"ml.m7i.4xlarge"|"ml.m7i.8xlarge"|"ml.m7i.12xlarge"|"ml.m7i.16xlarge"|"ml.m7i.24xlarge"|"ml.m7i.48xlarge"|"ml.c7i.large"|"ml.c7i.xlarge"|"ml.c7i.2xlarge"|"ml.c7i.4xlarge"|"ml.c7i.8xlarge"|"ml.c7i.12xlarge"|"ml.c7i.16xlarge"|"ml.c7i.24xlarge"|"ml.c7i.48xlarge"|"ml.r7i.large"|"ml.r7i.xlarge"|"ml.r7i.2xlarge"|"ml.r7i.4xlarge"|"ml.r7i.8xlarge"|"ml.r7i.12xlarge"|"ml.r7i.16xlarge"|"ml.r7i.24xlarge"|"ml.r7i.48xlarge"|"ml.g4dn.xlarge"|"ml.g4dn.2xlarge"|"ml.g4dn.4xlarge"|"ml.g4dn.8xlarge"|"ml.g4dn.12xlarge"|"ml.g4dn.16xlarge"|"ml.g5.xlarge"|"ml.g5.2xlarge"|"ml.g5.4xlarge"|"ml.g5.8xlarge"|"ml.g5.12xlarge"|"ml.g5.16xlarge"|"ml.g5.24xlarge"|"ml.g5.48xlarge"|"ml.trn1.2xlarge"|"ml.trn1.32xlarge"|"ml.inf2.xlarge"|"ml.inf2.8xlarge"|"ml.inf2.24xlarge"|"ml.inf2.48xlarge", ...],
"SupportedRealtimeInferenceInstanceTypes": ["ml.t2.medium"|"ml.t2.large"|"ml.t2.xlarge"|"ml.t2.2xlarge"|"ml.m4.xlarge"|"ml.m4.2xlarge"|"ml.m4.4xlarge"|"ml.m4.10xlarge"|"ml.m4.16xlarge"|"ml.m5.large"|"ml.m5.xlarge"|"ml.m5.2xlarge"|"ml.m5.4xlarge"|"ml.m5.12xlarge"|"ml.m5.24xlarge"|"ml.m5d.large"|"ml.m5d.xlarge"|"ml.m5d.2xlarge"|"ml.m5d.4xlarge"|"ml.m5d.12xlarge"|"ml.m5d.24xlarge"|"ml.c4.large"|"ml.c4.xlarge"|"ml.c4.2xlarge"|"ml.c4.4xlarge"|"ml.c4.8xlarge"|"ml.p2.xlarge"|"ml.p2.8xlarge"|"ml.p2.16xlarge"|"ml.p3.2xlarge"|"ml.p3.8xlarge"|"ml.p3.16xlarge"|"ml.c5.large"|"ml.c5.xlarge"|"ml.c5.2xlarge"|"ml.c5.4xlarge"|"ml.c5.9xlarge"|"ml.c5.18xlarge"|"ml.c5d.large"|"ml.c5d.xlarge"|"ml.c5d.2xlarge"|"ml.c5d.4xlarge"|"ml.c5d.9xlarge"|"ml.c5d.18xlarge"|"ml.g4dn.xlarge"|"ml.g4dn.2xlarge"|"ml.g4dn.4xlarge"|"ml.g4dn.8xlarge"|"ml.g4dn.12xlarge"|"ml.g4dn.16xlarge"|"ml.r5.large"|"ml.r5.xlarge"|"ml.r5.2xlarge"|"ml.r5.4xlarge"|"ml.r5.12xlarge"|"ml.r5.24xlarge"|"ml.r5d.large"|"ml.r5d.xlarge"|"ml.r5d.2xlarge"|"ml.r5d.4xlarge"|"ml.r5d.12xlarge"|"ml.r5d.24xlarge"|"ml.inf1.xlarge"|"ml.inf1.2xlarge"|"ml.inf1.6xlarge"|"ml.inf1.24xlarge"|"ml.dl1.24xlarge"|"ml.c6i.large"|"ml.c6i.xlarge"|"ml.c6i.2xlarge"|"ml.c6i.4xlarge"|"ml.c6i.8xlarge"|"ml.c6i.12xlarge"|"ml.c6i.16xlarge"|"ml.c6i.24xlarge"|"ml.c6i.32xlarge"|"ml.m6i.large"|"ml.m6i.xlarge"|"ml.m6i.2xlarge"|"ml.m6i.4xlarge"|"ml.m6i.8xlarge"|"ml.m6i.12xlarge"|"ml.m6i.16xlarge"|"ml.m6i.24xlarge"|"ml.m6i.32xlarge"|"ml.r6i.large"|"ml.r6i.xlarge"|"ml.r6i.2xlarge"|"ml.r6i.4xlarge"|"ml.r6i.8xlarge"|"ml.r6i.12xlarge"|"ml.r6i.16xlarge"|"ml.r6i.24xlarge"|"ml.r6i.32xlarge"|"ml.g5.xlarge"|"ml.g5.2xlarge"|"ml.g5.4xlarge"|"ml.g5.8xlarge"|"ml.g5.12xlarge"|"ml.g5.16xlarge"|"ml.g5.24xlarge"|"ml.g5.48xlarge"|"ml.g6.xlarge"|"ml.g6.2xlarge"|"ml.g6.4xlarge"|"ml.g6.8xlarge"|"ml.g6.12xlarge"|"ml.g6.16xlarge"|"ml.g6.24xlarge"|"ml.g6.48xlarge"|"ml.r8g.medium"|"ml.r8g.large"|"ml.r8g.xlarge"|"ml.r8g.2xlarge"|"ml.r8g.4xlarge"|"ml.r8g.8xlarge"|"ml.r8g.12xlarge"|"ml.r8g.16xlarge"|"ml.r8g.24xlarge"|"ml.r8g.48xlarge"|"ml.g6e.xlarge"|"ml.g6e.2xlarge"|"ml.g6e.4xlarge"|"ml.g6e.8xlarge"|"ml.g6e.12xlarge"|"ml.g6e.16xlarge"|"ml.g6e.24xlarge"|"ml.g6e.48xlarge"|"ml.p4d.24xlarge"|"ml.c7g.large"|"ml.c7g.xlarge"|"ml.c7g.2xlarge"|"ml.c7g.4xlarge"|"ml.c7g.8xlarge"|"ml.c7g.12xlarge"|"ml.c7g.16xlarge"|"ml.m6g.large"|"ml.m6g.xlarge"|"ml.m6g.2xlarge"|"ml.m6g.4xlarge"|"ml.m6g.8xlarge"|"ml.m6g.12xlarge"|"ml.m6g.16xlarge"|"ml.m6gd.large"|"ml.m6gd.xlarge"|"ml.m6gd.2xlarge"|"ml.m6gd.4xlarge"|"ml.m6gd.8xlarge"|"ml.m6gd.12xlarge"|"ml.m6gd.16xlarge"|"ml.c6g.large"|"ml.c6g.xlarge"|"ml.c6g.2xlarge"|"ml.c6g.4xlarge"|"ml.c6g.8xlarge"|"ml.c6g.12xlarge"|"ml.c6g.16xlarge"|"ml.c6gd.large"|"ml.c6gd.xlarge"|"ml.c6gd.2xlarge"|"ml.c6gd.4xlarge"|"ml.c6gd.8xlarge"|"ml.c6gd.12xlarge"|"ml.c6gd.16xlarge"|"ml.c6gn.large"|"ml.c6gn.xlarge"|"ml.c6gn.2xlarge"|"ml.c6gn.4xlarge"|"ml.c6gn.8xlarge"|"ml.c6gn.12xlarge"|"ml.c6gn.16xlarge"|"ml.r6g.large"|"ml.r6g.xlarge"|"ml.r6g.2xlarge"|"ml.r6g.4xlarge"|"ml.r6g.8xlarge"|"ml.r6g.12xlarge"|"ml.r6g.16xlarge"|"ml.r6gd.large"|"ml.r6gd.xlarge"|"ml.r6gd.2xlarge"|"ml.r6gd.4xlarge"|"ml.r6gd.8xlarge"|"ml.r6gd.12xlarge"|"ml.r6gd.16xlarge"|"ml.p4de.24xlarge"|"ml.trn1.2xlarge"|"ml.trn1.32xlarge"|"ml.trn1n.32xlarge"|"ml.trn2.48xlarge"|"ml.inf2.xlarge"|"ml.inf2.8xlarge"|"ml.inf2.24xlarge"|"ml.inf2.48xlarge"|"ml.p5.48xlarge"|"ml.p5e.48xlarge"|"ml.p5en.48xlarge"|"ml.m7i.large"|"ml.m7i.xlarge"|"ml.m7i.2xlarge"|"ml.m7i.4xlarge"|"ml.m7i.8xlarge"|"ml.m7i.12xlarge"|"ml.m7i.16xlarge"|"ml.m7i.24xlarge"|"ml.m7i.48xlarge"|"ml.c7i.large"|"ml.c7i.xlarge"|"ml.c7i.2xlarge"|"ml.c7i.4xlarge"|"ml.c7i.8xlarge"|"ml.c7i.12xlarge"|"ml.c7i.16xlarge"|"ml.c7i.24xlarge"|"ml.c7i.48xlarge"|"ml.r7i.large"|"ml.r7i.xlarge"|"ml.r7i.2xlarge"|"ml.r7i.4xlarge"|"ml.r7i.8xlarge"|"ml.r7i.12xlarge"|"ml.r7i.16xlarge"|"ml.r7i.24xlarge"|"ml.r7i.48xlarge", ...],
"SupportedContentTypes": ["string", ...],
"SupportedResponseMIMETypes": ["string", ...]
}
--validation-specification (структура)
Указывает конфигурации для одной или нескольких задач обучения, которые SageMaker выполняет для проверки кода обучения алгоритма и, необязательно, одной или нескольких задач пакетного преобразования, которые SageMaker выполняет для проверки кода вывода алгоритма.
ValidationRole -> (строка)
ValidationProfiles -> (список)
Массив объектов AlgorithmValidationProfile, каждый из которых указывает задачу обучения и задачу пакетного преобразования, которые SageMaker выполняет для проверки вашего алгоритма.
(структура)
Определяет задачу обучения и задачу пакетного преобразования, которые SageMaker выполняет для проверки вашего алгоритма.
Предоставленные в профиле валидации данные предоставляются вашим покупателям на Amazon Web Services Marketplace.
ProfileName -> (строка)
TrainingJobDefinition -> (структура)
The TrainingJobDefinition object that describes the training job that SageMaker runs to validate your algorithm.
TrainingInputMode -> (string)
The training input mode that the algorithm supports. For more information about input modes, see Algorithms .
If an algorithm supports Pipe mode, Amazon SageMaker streams data directly from Amazon S3 to the container.
If an algorithm supports File mode, SageMaker downloads the training data from S3 to the provisioned ML storage volume, and mounts the directory to the Docker volume for the training container.
You must provision the ML storage volume with sufficient capacity to accommodate the data downloaded from S3. In addition to the training data, the ML storage volume also stores the output model. The algorithm container uses the ML storage volume to also store intermediate information, if any.
For distributed algorithms, training data is distributed uniformly. Your training duration is predictable if the input data objects sizes are approximately the same. SageMaker does not split the files any further for model training. If the object sizes are skewed, training won’t be optimal as the data distribution is also skewed when one host in a training cluster is overloaded, thus becoming a bottleneck in training.
If an algorithm supports FastFile mode, SageMaker streams data directly from S3 to the container with no code changes, and provides file system access to the data. Users can author their training script to interact with these files as if they were stored on disk.
FastFile mode works best when the data is read sequentially. Augmented manifest files aren’t supported. The startup time is lower when there are fewer files in the S3 bucket provided.HyperParameters -> (map)
The hyperparameters used for the training job.
key -> (string)
value -> (string)
InputDataConfig -> (list)
An array of Channel objects, each of which specifies an input source.
(structure)
A channel is a named input source that training algorithms can consume.
ChannelName -> (string)
DataSource -> (structure)
The location of the channel data.
S3DataSource -> (structure)
The S3 location of the data source that is associated with a channel.
S3DataType -> (string)
If you choose S3Prefix , S3Uri identifies a key name prefix. SageMaker uses all objects that match the specified key name prefix for model training.
If you choose ManifestFile , S3Uri identifies an object that is a manifest file containing a list of object keys that you want SageMaker to use for model training.
If you choose AugmentedManifestFile , S3Uri identifies an object that is an augmented manifest file in JSON lines format. This file contains the data you want to use for model training. AugmentedManifestFile can only be used if the Channel’s input mode is Pipe .
S3Uri -> (string)
Depending on the value specified for the S3DataType , identifies either a key name prefix or a manifest. For example:
- A key name prefix might look like this:
s3://bucketname/exampleprefix/ - A manifest might look like this:
s3://bucketname/example.manifestA manifest is an S3 object which is a JSON file consisting of an array of elements. The first element is a prefix which is followed by one or more suffixes. SageMaker appends the suffix elements to the prefix to get a full set ofS3Uri. Note that the prefix must be a valid non-emptyS3Urithat precludes users from specifying a manifest whose individualS3Uriis sourced from different S3 buckets. The following code example shows a valid manifest format:[ {"prefix": "s3://customer_bucket/some/prefix/"},"relative/path/to/custdata-1","relative/path/custdata-2",..."relative/path/custdata-N"]This JSON is equivalent to the followingS3Urilist:s3://customer_bucket/some/prefix/relative/path/to/custdata-1s3://customer_bucket/some/prefix/relative/path/custdata-2...s3://customer_bucket/some/prefix/relative/path/custdata-NThe complete set ofS3Uriin this manifest is the input data for the channel for this data source. The object that eachS3Uripoints to must be readable by the IAM role that SageMaker uses to perform tasks on your behalf.
Your input bucket must be located in same Amazon Web Services region as your training job.
S3DataDistributionType -> (string)
If you want SageMaker to replicate the entire dataset on each ML compute instance that is launched for model training, specify FullyReplicated .
If you want SageMaker to replicate a subset of data on each ML compute instance that is launched for model training, specify ShardedByS3Key . If there are n ML compute instances launched for a training job, each instance gets approximately 1/n of the number of S3 objects. In this case, model training on each machine uses only the subset of training data.
Don’t choose more ML compute instances for training than available S3 objects. If you do, some nodes won’t get any data and you will pay for nodes that aren’t getting any training data. This applies in both File and Pipe modes. Keep this in mind when developing algorithms.
In distributed training, where you use multiple ML compute EC2 instances, you might choose ShardedByS3Key . If the algorithm requires copying training data to the ML storage volume (when TrainingInputMode is set to File ), this copies 1/n of the number of objects.
AttributeNames -> (list)
A list of one or more attribute names to use that are found in a specified augmented manifest file.
(string)
InstanceGroupNames -> (list)
A list of names of instance groups that get data from the S3 data source.
(string)
ModelAccessConfig -> (structure)
The access configuration file to control access to the ML model. You can explicitly accept the model end-user license agreement (EULA) within the ModelAccessConfig .
- If you are a Jumpstart user, see the End-user license agreements section for more details on accepting the EULA.
- If you are an AutoML user, see the Optional Parameters section of Create an AutoML job to fine-tune text generation models using the API for details on How to set the EULA acceptance when fine-tuning a model using the AutoML API .
AcceptEula -> (boolean)
AcceptEula value must be explicitly defined as True in order to accept the EULA that this model requires. You are responsible for reviewing and complying with any applicable license terms and making sure they are acceptable for your use case before downloading or using a model.HubAccessConfig -> (structure)
The configuration for a private hub model reference that points to a SageMaker JumpStart public hub model.
HubContentArn -> (string)
ModelReference resource type that points to a SageMaker JumpStart public hub model.FileSystemDataSource -> (structure)
The file system that is associated with a channel.
FileSystemId -> (string)
FileSystemAccessMode -> (string)
ro (read-only) or rw (read-write) mode.FileSystemType -> (string)
DirectoryPath -> (string)
ContentType -> (string)
CompressionType -> (string)
None . CompressionType is used only in Pipe input mode. In File mode, leave this field unset or set it to None.RecordWrapperType -> (string)
Specify RecordIO as the value when input data is in raw format but the training algorithm requires the RecordIO format. In this case, SageMaker wraps each individual S3 object in a RecordIO record. If the input data is already in RecordIO format, you don’t need to set this attribute. For more information, see Create a Dataset Using RecordIO .
In File mode, leave this field unset or set it to None.
InputMode -> (string)
(Optional) The input mode to use for the data channel in a training job. If you don’t set a value for InputMode , SageMaker uses the value set for TrainingInputMode . Use this parameter to override the TrainingInputMode setting in a AlgorithmSpecification request when you have a channel that needs a different input mode from the training job’s general setting. To download the data from Amazon Simple Storage Service (Amazon S3) to the provisioned ML storage volume, and mount the directory to a Docker volume, use File input mode. To stream data directly from Amazon S3 to the container, choose Pipe input mode.
To use a model for incremental training, choose File input model.
ShuffleConfig -> (structure)
A configuration for a shuffle option for input data in a channel. If you use S3Prefix for S3DataType , this shuffles the results of the S3 key prefix matches. If you use ManifestFile , the order of the S3 object references in the ManifestFile is shuffled. If you use AugmentedManifestFile , the order of the JSON lines in the AugmentedManifestFile is shuffled. The shuffling order is determined using the Seed value.
For Pipe input mode, shuffling is done at the start of every epoch. With large datasets this ensures that the order of the training data is different for each epoch, it helps reduce bias and possible overfitting. In a multi-node training job when ShuffleConfig is combined with S3DataDistributionType of ShardedByS3Key , the data is shuffled across nodes so that the content sent to a particular node on the first epoch might be sent to a different node on the second epoch.
Seed -> (long)
ShuffleConfig value.OutputDataConfig -> (structure)
путь к ведру S3, в котором вы хотите сохранить артефакты модели. SageMaker создает подпапки для артефактов.
KmsKeyId -> (строка)
Ключ управления ключами Amazon Web Services (Amazon Web Services KMS), который SageMaker использует для шифрования артефактов модели в состоянии покоя с помощью шифрования на стороне сервера Amazon S3. KmsKeyId может иметь любой из следующих форматов:
- // Идентификатор ключа KMS
"1234abcd-12ab-34cd-56ef-1234567890ab" - // Amazon Resource Name (ARN) ключа KMS
"arn:aws:kms:us-west-2:111122223333:key/1234abcd-12ab-34cd-56ef-1234567890ab" - // Псевдоним ключа KMS
"alias/ExampleAlias" - // Amazon Resource Name (ARN) псевдонима ключа KMS
"arn:aws:kms:us-west-2:111122223333:alias/ExampleAlias"
Если вы используете идентификатор ключа KMS или псевдоним своего ключа KMS, роль выполнения SageMaker должна иметь разрешения на вызов kms:Encrypt . Если вы не предоставите идентификатор ключа KMS, SageMaker использует по умолчанию ключ KMS для Amazon S3 для учетной записи вашей роли. Для получения дополнительной информации см. Ключи шифрования, управляемые KMS, в Руководстве разработчика Amazon Simple Storage Service . Если выходные данные хранятся в Amazon S3 Express One Zone, они шифруются с помощью шифрования на стороне сервера с ключами Amazon S3 (SSE-S3). Ключ KMS не поддерживается для Amazon S3 Express One Zone
Политика ключа KMS должна предоставлять разрешение службе IAM, которую вы указали в своих запросах CreateTrainingJob , CreateTransformJob или CreateHyperParameterTuningJob . Для получения дополнительной информации см. Использование политик ключей в Amazon Web Services KMS в Руководстве разработчика Amazon Web Services Key Management Service .
S3OutputPath -> (строка)
s3://bucket-name/key-name-prefix .CompressionType -> (строка)
None для вывода несжатой модели, рекомендуется для больших выходных данных модели. По умолчанию используется gzip.ResourceConfig -> (структура)
Ресурсы, включая экземпляры вычислительных ресурсов ML и тома хранения ML, которые следует использовать для обучения модели.
InstanceType -> (строка)
Тип экземпляра вычислительных ресурсов ML.
Примечание
Обучение SageMaker на экземплярах Amazon Elastic Compute Cloud (EC2) P4de находится в предварительной версии, начиная с 9 декабря 2022 года.
ml.p4de.24xlarge ), чтобы сократить время обучения модели. Экземпляры ml.p4de.24xlarge доступны в следующих регионах Amazon Web Services.- США Восточный (Северная Вирджиния) (us-east-1)
- США Западный (Орегон) (us-west-2)
Для запроса увеличения квоты и начала использования экземпляров P4de обратитесь в службу поддержки SageMaker Training через вашу команду по работе с клиентами.
InstanceCount -> (целое число)
VolumeSizeInGB -> (целое число)
Размер тома хранения ML, который вы хотите предоставить.
Тома хранения ML хранят артефакты модели и промежуточные состояния. Алгоритмы обучения могут также использовать том хранения ML для временного хранилища. Если вы хотите хранить обучающие данные в томе хранения ML, выберите File в качестве TrainingInputMode в спецификации алгоритма.
При использовании экземпляра ML с томами NVMe SSD SageMaker не предоставляет хранилище Amazon EBS General Purpose SSD (gp2). Доступное хранилище фиксировано к объему хранилища NVMe-типа экземпляра. SageMaker настраивает пути к хранилищу для обучающих наборов данных, контрольных точек, артефактов модели и выходов, чтобы использовать весь объем хранилища экземпляра. Например, семейства экземпляров ML с хранилищем экземпляра NVMe-типа включают ml.p4d , ml.g4dn и ml.g5 .
При использовании экземпляра ML с выбором хранилища только EBS и без хранилища экземпляра необходимо определить размер тома EBS через VolumeSizeInGB в API ResourceConfig . Например, семейства экземпляров ML, использующие тома EBS, включают ml.c5 и ml.p2 .
Для поиска типов экземпляров и их типов хранилища экземпляров и томов см. Типы экземпляров Amazon EC2 .
Чтобы найти пути по умолчанию, определенные платформой обучения SageMaker, см. Amazon SageMaker Training Storage Folders для обучающих наборов данных, контрольных точек, артефактов модели и выходов .
VolumeKmsKeyId -> (строка)
Ключ управления ключами Amazon Web Services (Amazon Web Services KMS), который SageMaker использует для шифрования данных на томе хранилища, подключенном к экземпляру вычислительных ресурсов ML, на котором выполняется задача обучения.
Примечание
Некоторые экземпляры на основе Nitro включают локальное хранилище, в зависимости от типа экземпляра. Локальные тома хранилища шифруются с помощью аппаратного модуля на экземпляре. Вы не можете запросить VolumeKmsKeyId при использовании типа экземпляра с локальным хранилищем.
Список типов экземпляров, которые поддерживают локальное хранилище экземпляра, см. в разделе Тома хранилища экземпляров .
Дополнительную информацию о шифровании локального хранилища экземпляра см. в разделе Тома хранилища экземпляров SSD .
VolumeKmsKeyId может быть в любом из следующих форматов:
- // Идентификатор ключа KMS
"1234abcd-12ab-34cd-56ef-1234567890ab" - // Amazon Resource Name (ARN) ключа KMS
"arn:aws:kms:us-west-2:111122223333:key/1234abcd-12ab-34cd-56ef-1234567890ab"
KeepAlivePeriodInSeconds -> (целое число)
InstanceGroups -> (список)
Настройка разнородного кластера в формате JSON.
(структура)
Определяет группу экземпляров для обучения разнородного кластера. При запросе задачи обучения с помощью API CreateTrainingJob вы можете настроить несколько групп экземпляров.
InstanceType -> (строка)
InstanceCount -> (целое число)
InstanceGroupName -> (строка)
TrainingPlanArn -> (строка)
StoppingCondition -> (структура)
Устанавливает лимит времени работы задачи обучения модели. Также указывает, сколько времени у управляемой задачи обучения со Spot-емкости должно пройти для завершения. Когда задача достигает лимита времени, SageMaker завершает задачу обучения. Используйте этот API для ограничения затрат на обучение модели.
Для остановки задачи SageMaker отправляет алгоритму сигнал SIGTERM, который задерживает завершение задачи на 120 секунд. Алгоритмы могут использовать это окно в 120 секунд для сохранения артефактов модели.
MaxRuntimeInSeconds -> (целое число)
Максимальная продолжительность (в секундах) работы задачи обучения или компиляции до ее остановки.
Для задач компиляции, если задача не завершится в течение этого времени, генерируется ошибка TimeOut . Рекомендуется начать с 900 секунд и увеличивать по мере необходимости в зависимости от вашей модели.
Для всех остальных задач, если задача не завершится в течение этого времени, SageMaker завершает задачу. При указании RetryStrategy в запросе задачи, MaxRuntimeInSeconds указывает максимальное время для всех попыток в целом, а не для каждой отдельной попытки. Значение по умолчанию составляет 1 день. Максимальное значение составляет 28 дней.
Максимальное время, которое может занять TrainingJob в целом, включая время, потраченное на публикацию метрик или архивирование и загрузку моделей после остановки, составляет 30 дней.
MaxWaitTimeInSeconds -> (целое число)
Максимальная продолжительность (в секундах) работы управляемой задачи обучения со Spot-емкостью. Это время ожидания Spot-емкости плюс время выполнения задачи. Оно должно быть равно или больше MaxRuntimeInSeconds . Если задача не завершится в течение этого времени, SageMaker завершает задачу.
При указании RetryStrategy в запросе задачи, MaxWaitTimeInSeconds указывает максимальное время для всех попыток в целом, а не для каждой отдельной попытки.
MaxPendingTimeInSeconds -> (целое число)
Максимальная продолжительность (в секундах) ожидания задачи обучения или компиляции перед ее остановкой.
Примечание
При работе с задачами обучения, которые используют емкость из планов обучения, не все состояния задач Pending учитываются в лимите MaxPendingTimeInSeconds . Следующие сценарии не увеличивают счетчик MaxPendingTimeInSeconds :
- План находится в состоянии
Scheduled: Задачи, очереди (в состоянииPending) перед датой начала плана (ожидание запланированного времени начала) - Между резервациями емкости: Задачи временно возвращаются в состояние
Pendingмежду двумя периодами резервирования емкости
MaxPendingTimeInSeconds увеличивается только при активном ожидании задачами емкости в плане Active .TransformJobDefinition -> (структура)
Объект TransformJobDefinition, описывающий задачу преобразования, которую SageMaker выполняет для проверки вашего алгоритма.
MaxConcurrentTransforms -> (целое число)
MaxPayloadInMB -> (целое число)
BatchStrategy -> (строка)
Строка, определяющая количество записей, включённых в одну мини-пачку.
SingleRecord означает, что используется только одна запись на мини-пачку. MultiRecord означает, что мини-пачка содержит столько записей, сколько может поместиться в пределах ограничения MaxPayloadInMB.Environment -> (словарь)
Переменные окружения, которые нужно установить в контейнере Docker. Мы поддерживаем до 16 пар ключ-значение в словаре.
ключ -> (строка)
значение -> (строка)
TransformInput -> (структура)
Описание источника входных данных и способа, которым задача преобразования их потребляет.
DataSource -> (структура)
Описание расположения данных канала, то есть расположения входных данных в S3, которые может использовать модель.
S3DataSource -> (структура)
Расположение данных источника в S3, связанных с каналом.
S3DataType -> (строка)
Если вы выберете S3Prefix, то S3Uri идентифицирует префикс имени ключа. Amazon SageMaker использует все объекты с указанным префиксом имени ключа для пакетного преобразования.
Если вы выберете ManifestFile, то S3Uri идентифицирует объект, являющийся файлом-манифестом, содержащим список ключей объектов, которые вы хотите использовать для пакетного преобразования Amazon SageMaker.
Совместимые значения: ManifestFile, S3Prefix
Несовместимое значение: AugmentedManifestFile
S3Uri -> (строка)
В зависимости от значения, указанного для S3DataType, идентифицирует либо префикс имени ключа, либо манифест. Например:
- Префикс имени ключа может выглядеть так:
s3://bucketname/exampleprefix/. - Манифест может выглядеть так:
s3://bucketname/example.manifest. Манифест — это объект S3, который представляет собой JSON-файл со следующим форматом:[ {"prefix": "s3://customer_bucket/some/prefix/"},"relative/path/to/custdata-1","relative/path/custdata-2",..."relative/path/custdata-N"]. Представленный JSON соответствует следующемуS3Uris:s3://customer_bucket/some/prefix/relative/path/to/custdata-1s3://customer_bucket/some/prefix/relative/path/custdata-2...s3://customer_bucket/some/prefix/relative/path/custdata-N. Полный наборS3Urisв этом манифесте составляет входные данные для канала для этого источника данных. Объект, на который указывает каждыйS3Uris, должен быть доступен для IAM-роли, которую Amazon SageMaker использует для выполнения задач от вашего имени.
ContentType -> (строка)
CompressionType -> (строка)
None.SplitType -> (строка)
Метод разделения файлов данных задачи преобразования на более мелкие мини-пачки. Разделение необходимо, когда общий размер каждого объекта слишком велик, чтобы поместиться в одном запросе. Вы также можете использовать разделение данных для повышения производительности, обрабатывая несколько параллельных мини-пачек. Значение по умолчанию для SplitType — None, что указывает на то, что файлы входных данных не разделены, а полезные нагрузки запросов содержат полное содержимое входного объекта. Установите значение этого параметра в Line, чтобы разделить записи по границе символа новой строки. SplitType также поддерживает ряд двоичных форматов данных, ориентированных на запись. В настоящее время поддерживаются следующие форматы записей:
- RecordIO
- TFRecord
При включенном разделении размер мини-пачки зависит от значений параметров BatchStrategy и MaxPayloadInMB. Если значение BatchStrategy равно MultiRecord, Amazon SageMaker отправляет максимальное количество записей в каждом запросе, до ограничения MaxPayloadInMB. Если значение BatchStrategy равно SingleRecord, Amazon SageMaker отправляет отдельные записи в каждом запросе.
Примечание
Некоторые форматы данных представляют запись как двоичную полезную нагрузку, обернутую дополнительными байтами заполнения. При применении разделения к двоичному формату данных заполнение удаляется, если значение BatchStrategy установлено в SingleRecord. Заполнение не удаляется, если значение BatchStrategy установлено в MultiRecord.
Дополнительную информацию о RecordIO см. в документации MXNet по созданию набора данных с использованием RecordIO. Дополнительную информацию о TFRecord см. в документации TensorFlow по работе с данными TFRecord.
TransformOutput -> (структура)
Указывает расположение в Amazon S3, где вы хотите, чтобы Amazon SageMaker сохранил результаты из задачи преобразования.
S3OutputPath -> (строка)
Путь в Amazon S3, куда Amazon SageMaker хочет сохранить результаты задачи преобразования. Например, s3://bucket-name/key-name-prefix.
Для каждого объекта S3, используемого в качестве входных данных для задачи преобразования, пакетное преобразование сохраняет преобразованные данные с суффиксом `.out` в соответствующей подпапке в расположении в префиксе вывода. Например, для входных данных, хранящихся в s3://bucket-name/input-name-prefix/dataset01/data.csv, пакетное преобразование сохраняет преобразованные данные в s3://bucket-name/output-name-prefix/input-name-prefix/data.csv.out. Пакетное преобразование не загружает частично обработанные объекты. Для входного объекта S3, содержащего несколько записей, он создаёт файл `.out` только в случае успешного выполнения задачи преобразования для всего файла. Когда вход содержит несколько объектов S3, задача пакетного преобразования обрабатывает перечисленные объекты S3 и загружает только выходные данные для успешно обработанных объектов. Если какой-либо объект завершается неудачей в задаче пакетного преобразования, оно отмечает задачу как неудачную, чтобы вызвать исследование.
Accept -> (строка)
AssembleWith -> (строка)
None. Для добавления символа новой строки в конце каждой преобразованной записи укажите Line.KmsKeyId -> (строка)
Ключ Amazon Web Services Key Management Service (Amazon Web Services KMS), который Amazon SageMaker использует для шифрования артефактов модели в состоянии покоя с использованием шифрования сервера Amazon S3. Ключ KmsKeyId может быть любого из следующих форматов:
- Идентификатор ключа:
1234abcd-12ab-34cd-56ef-1234567890ab - ARN ключа:
arn:aws:kms:us-west-2:111122223333:key/1234abcd-12ab-34cd-56ef-1234567890ab - Имя псевдонима:
alias/ExampleAlias - ARN имени псевдонима:
arn:aws:kms:us-west-2:111122223333:alias/ExampleAlias
Если вы не предоставите идентификатор ключа KMS, Amazon SageMaker использует ключ KMS по умолчанию для Amazon S3 для учётной записи вашей роли. Дополнительную информацию см. в разделе KMS-Managed Encryption Keys в руководстве разработчика Amazon Simple Storage Service.
Политика ключа KMS должна предоставлять разрешение IAM-роли, которую вы указали в запросе CreateModel. Дополнительную информацию см. в разделе Using Key Policies in Amazon Web Services KMS в руководстве разработчика Amazon Web Services Key Management Service.
TransformResources -> (структура)
Идентифицирует вычислительные экземпляры ML для задачи преобразования.
InstanceType -> (строка)
ml.m5.large.InstanceCount -> (целое число)
1, а максимальное — 100. Для распределённых задач преобразования укажите значение, большее чем 1.VolumeKmsKeyId -> (строка)
Ключ Amazon Web Services Key Management Service (Amazon Web Services KMS), который Amazon SageMaker использует для шифрования данных модели на объёме хранилища, подключённом к вычислительному экземпляру ML, на котором выполняется задача пакетного преобразования.
Примечание
Некоторые экземпляры на базе Nitro включают локальное хранилище, в зависимости от типа экземпляра. Тома локального хранилища шифруются с помощью аппаратного модуля на экземпляре. Вы не можете запросить VolumeKmsKeyId при использовании типа экземпляра с локальным хранилищем.
Список типов экземпляров, поддерживающих локальное хранилище экземпляра, см. в разделе Instance Store Volumes.
Дополнительную информацию о шифровании локального хранилища экземпляра см. в разделе SSD Instance Store Volumes.
Ключ VolumeKmsKeyId может быть любого из следующих форматов:
- Идентификатор ключа:
1234abcd-12ab-34cd-56ef-1234567890ab - ARN ключа:
arn:aws:kms:us-west-2:111122223333:key/1234abcd-12ab-34cd-56ef-1234567890ab - Имя псевдонима:
alias/ExampleAlias - ARN имени псевдонима:
arn:aws:kms:us-west-2:111122223333:alias/ExampleAlias
TransformAmiVersion -> (строка)
Указывает параметр из набора предварительно настроенных изображений Amazon Machine Image (AMI). Каждое изображение настраивается Amazon Web Services с набором версий программного обеспечения и драйверов.
-
Акселератор: GPU
-
Версия драйвера NVIDIA: 470
al2-ami-sagemaker-batch-gpu-535
-
Акселератор: GPU
-
Версия драйвера NVIDIA: 535
Синтаксис JSON:
{
"ValidationRole": "string",
"ValidationProfiles": [
{
"ProfileName": "string",
"TrainingJobDefinition": {
"TrainingInputMode": "Pipe"|"File"|"FastFile",
"HyperParameters": {"string": "string"
...},
"InputDataConfig": [
{
"ChannelName": "string",
"DataSource": {
"S3DataSource": {
"S3DataType": "ManifestFile"|"S3Prefix"|"AugmentedManifestFile",
"S3Uri": "string",
"S3DataDistributionType": "FullyReplicated"|"ShardedByS3Key",
"AttributeNames": ["string", ...],
"InstanceGroupNames": ["string", ...],
"ModelAccessConfig": {
"AcceptEula": true|false
},
"HubAccessConfig": {
"HubContentArn": "string"
}
},
"FileSystemDataSource": {
"FileSystemId": "string",
"FileSystemAccessMode": "rw"|"ro",
"FileSystemType": "EFS"|"FSxLustre",
"DirectoryPath": "string"
}
},
"ContentType": "string",
"CompressionType": "None"|"Gzip",
"RecordWrapperType": "None"|"RecordIO",
"InputMode": "Pipe"|"File"|"FastFile",
"ShuffleConfig": {
"Seed": long
}
}
...
],
"OutputDataConfig": {
"KmsKeyId": "string",
"S3OutputPath": "string",
"CompressionType": "GZIP"|"NONE"
},
"ResourceConfig": {
"InstanceType": "ml.m4.xlarge"|"ml.m4.2xlarge"|"ml.m4.4xlarge"|"ml.m4.10xlarge"|"ml.m4.16xlarge"|"ml.g4dn.xlarge"|"ml.g4dn.2xlarge"|"ml.g4dn.4xlarge"|"ml.g4dn.8xlarge"|"ml.g4dn.12xlarge"|"ml.g4dn.16xlarge"|"ml.m5.large"|"ml.m5.xlarge"|"ml.m5.2xlarge"|"ml.m5.4xlarge"|"ml.m5.12xlarge"|"ml.m5.24xlarge"|"ml.c4.xlarge"|"ml.c4.2xlarge"|"ml.c4.4xlarge"|"ml.c4.8xlarge"|"ml.p2.xlarge"|"ml.p2.8xlarge"|"ml.p2.16xlarge"|"ml.p3.2xlarge"|"ml.p3.8xlarge"|"ml.p3.16xlarge"|"ml.p3dn.24xlarge"|"ml.p4d.24xlarge"|"ml.p4de.24xlarge"|"ml.p5.48xlarge"|"ml.p5e.48xlarge"|"ml.p5en.48xlarge"|"ml.c5.xlarge"|"ml.c5.2xlarge"|"ml.c5.4xlarge"|"ml.c5.9xlarge"|"ml.c5.18xlarge"|"ml.c5n.xlarge"|"ml.c5n.2xlarge"|"ml.c5n.4xlarge"|"ml.c5n.9xlarge"|"ml.c5n.18xlarge"|"ml.g5.xlarge"|"ml.g5.2xlarge"|"ml.g5.4xlarge"|"ml.g5.8xlarge"|"ml.g5.16xlarge"|"ml.g5.12xlarge"|"ml.g5.24xlarge"|"ml.g5.48xlarge"|"ml.g6.xlarge"|"ml.g6.2xlarge"|"ml.g6.4xlarge"|"ml.g6.8xlarge"|"ml.g6.16xlarge"|"ml.g6.12xlarge"|"ml.g6.24xlarge"|"ml.g6.48xlarge"|"ml.g6e.xlarge"|"ml.g6e.2xlarge"|"ml.g6e.4xlarge"|"ml.g6e.8xlarge"|"ml.g6e.16xlarge"|"ml.g6e.12xlarge"|"ml.g6e.24xlarge"|"ml.g6e.48xlarge"|"ml.trn1.2xlarge"|"ml.trn1.32xlarge"|"ml.trn1n.32xlarge"|"ml.trn2.48xlarge"|"ml.m6i.large"|"ml.m6i.xlarge"|"ml.m6i.2xlarge"|"ml.m6i.4xlarge"|"ml.m6i.8xlarge"|"ml.m6i.12xlarge"|"ml.m6i.16xlarge"|"ml.m6i.24xlarge"|"ml.m6i.32xlarge"|"ml.c6i.xlarge"|"ml.c6i.2xlarge"|"ml.c6i.8xlarge"|"ml.c6i.4xlarge"|"ml.c6i.12xlarge"|"ml.c6i.16xlarge"|"ml.c6i.24xlarge"|"ml.c6i.32xlarge"|"ml.r5d.large"|"ml.r5d.xlarge"|"ml.r5d.2xlarge"|"ml.r5d.4xlarge"|"ml.r5d.8xlarge"|"ml.r5d.12xlarge"|"ml.r5d.16xlarge"|"ml.r5d.24xlarge"|"ml.t3.medium"|"ml.t3.large"|"ml.t3.xlarge"|"ml.t3.2xlarge"|"ml.r5.large"|"ml.r5.xlarge"|"ml.r5.2xlarge"|"ml.r5.4xlarge"|"ml.r5.8xlarge"|"ml.r5.12xlarge"|"ml.r5.16xlarge"|"ml.r5.24xlarge",
"InstanceCount": integer,
"VolumeSizeInGB": integer,
"VolumeKmsKeyId": "string",
"KeepAlivePeriodInSeconds": integer,
"InstanceGroups": [
{
"InstanceType": "ml.m4.xlarge"|"ml.m4.2xlarge"|"ml.m4.4xlarge"|"ml.m4.10xlarge"|"ml.m4.16xlarge"|"ml.g4dn.xlarge"|"ml.g4dn.2xlarge"|"ml.g4dn.4xlarge"|"ml.g4dn.8xlarge"|"ml.g4dn.12xlarge"|"ml.g4dn.16xlarge"|"ml.m5.large"|"ml.m5.xlarge"|"ml.m5.2xlarge"|"ml.m5.4xlarge"|"ml.m5.12xlarge"|"ml.m5.24xlarge"|"ml.c4.xlarge"|"ml.c4.2xlarge"|"ml.c4.4xlarge"|"ml.c4.8xlarge"|"ml.p2.xlarge"|"ml.p2.8xlarge"|"ml.p2.16xlarge"|"ml.p3.2xlarge"|"ml.p3.8xlarge"|"ml.p3.16xlarge"|"ml.p3dn.24xlarge"|"ml.p4d.24xlarge"|"ml.p4de.24xlarge"|"ml.p5.48xlarge"|"ml.p5e.48xlarge"|"ml.p5en.48xlarge"|"ml.c5.xlarge"|"ml.c5.2xlarge"|"ml.c5.4xlarge"|"ml.c5.9xlarge"|"ml.c5.18xlarge"|"ml.c5n.xlarge"|"ml.c5n.2xlarge"|"ml.c5n.4xlarge"|"ml.c5n.9xlarge"|"ml.c5n.18xlarge"|"ml.g5.xlarge"|"ml.g5.2xlarge"|"ml.g5.4xlarge"|"ml.g5.8xlarge"|"ml.g5.16xlarge"|"ml.g5.12xlarge"|"ml.g5.24xlarge"|"ml.g5.48xlarge"|"ml.g6.xlarge"|"ml.g6.2xlarge"|"ml.g6.4xlarge"|"ml.g6.8xlarge"|"ml.g6.16xlarge"|"ml.g6.12xlarge"|"ml.g6.24xlarge"|"ml.g6.48xlarge"|"ml.g6e.xlarge"|"ml.g6e.2xlarge"|"ml.g6e.4xlarge"|"ml.g6e.8xlarge"|"ml.g6e.16xlarge"|"ml.g6e.12xlarge"|"ml.g6e.24xlarge"|"ml.g6e.48xlarge"|"ml.trn1.2xlarge"|"ml.trn1.32xlarge"|"ml.trn1n.32xlarge"|"ml.trn2.48xlarge"|"ml.m6i.large"|"ml.m6i.xlarge"|"ml.m6i.2xlarge"|"ml.m6i.4xlarge"|"ml.m6i.8xlarge"|"ml.m6i.12xlarge"|"ml.m6i.16xlarge"|"ml.m6i.24xlarge"|"ml.m6i.32xlarge"|"ml.c6i.xlarge"|"ml.c6i.2xlarge"|"ml.c6i.8xlarge"|"ml.c6i.4xlarge"|"ml.c6i.12xlarge"|"ml.c6i.16xlarge"|"ml.c6i.24xlarge"|"ml.c6i.32xlarge"|"ml.r5d.large"|"ml.r5d.xlarge"|"ml.r5d.2xlarge"|"ml.r5d.4xlarge"|"ml.r5d.8xlarge"|"ml.r5d.12xlarge"|"ml.r5d.16xlarge"|"ml.r5d.24xlarge"|"ml.t3.medium"|"ml.t3.large"|"ml.t3.xlarge"|"ml.t3.2xlarge"|"ml.r5.large"|"ml.r5.xlarge"|"ml.r5.2xlarge"|"ml.r5.4xlarge"|"ml.r5.8xlarge"|"ml.r5.12xlarge"|"ml.r5.16xlarge"|"ml.r5.24xlarge",
"InstanceCount": integer,
"InstanceGroupName": "string"
}
...
],
"TrainingPlanArn": "string"
},
"StoppingCondition": {
"MaxRuntimeInSeconds": integer,
"MaxWaitTimeInSeconds": integer,
"MaxPendingTimeInSeconds": integer
}
},
"TransformJobDefinition": {
"MaxConcurrentTransforms": integer,
"MaxPayloadInMB": integer,
"BatchStrategy": "MultiRecord"|"SingleRecord",
"Environment": {"string": "string"
...},
"TransformInput": {
"DataSource": {
"S3DataSource": {
"S3DataType": "ManifestFile"|"S3Prefix"|"AugmentedManifestFile",
"S3Uri": "string"
}
},
"ContentType": "string",
"CompressionType": "None"|"Gzip",
"SplitType": "None"|"Line"|"RecordIO"|"TFRecord"
},
"TransformOutput": {
"S3OutputPath": "string",
"Accept": "string",
"AssembleWith": "None"|"Line",
"KmsKeyId": "string"
},
"TransformResources": {
"InstanceType": "ml.m4.xlarge"|"ml.m4.2xlarge"|"ml.m4.4xlarge"|"ml.m4.10xlarge"|"ml.m4.16xlarge"|"ml.c4.xlarge"|"ml.c4.2xlarge"|"ml.c4.4xlarge"|"ml.c4.8xlarge"|"ml.p2.xlarge"|"ml.p2.8xlarge"|"ml.p2.16xlarge"|"ml.p3.2xlarge"|"ml.p3.8xlarge"|"ml.p3.16xlarge"|"ml.c5.xlarge"|"ml.c5.2xlarge"|"ml.c5.4xlarge"|"ml.c5.9xlarge"|"ml.c5.18xlarge"|"ml.m5.large"|"ml.m5.xlarge"|"ml.m5.2xlarge"|"ml.m5.4xlarge"|"ml.m5.12xlarge"|"ml.m5.24xlarge"|"ml.m6i.large"|"ml.m6i.xlarge"|"ml.m6i.2xlarge"|"ml.m6i.4xlarge"|"ml.m6i.8xlarge"|"ml.m6i.12xlarge"|"ml.m6i.16xlarge"|"ml.m6i.24xlarge"|"ml.m6i.32xlarge"|"ml.c6i.large"|"ml.c6i.xlarge"|"ml.c6i.2xlarge"|"ml.c6i.4xlarge"|"ml.c6i.8xlarge"|"ml.c6i.12xlarge"|"ml.c6i.16xlarge"|"ml.c6i.24xlarge"|"ml.c6i.32xlarge"|"ml.r6i.large"|"ml.r6i.xlarge"|"ml.r6i.2xlarge"|"ml.r6i.4xlarge"|"ml.r6i.8xlarge"|"ml.r6i.12xlarge"|"ml.r6i.16xlarge"|"ml.r6i.24xlarge"|"ml.r6i.32xlarge"|"ml.m7i.large"|"ml.m7i.xlarge"|"ml.m7i.2xlarge"|"ml.m7i.4xlarge"|"ml.m7i.8xlarge"|"ml.m7i.12xlarge"|"ml.m7i.16xlarge"|"ml.m7i.24xlarge"|"ml.m7i.48xlarge"|"ml.c7i.large"|"ml.c7i.xlarge"|"ml.c7i.2xlarge"|"ml.c7i.4xlarge"|"ml.c7i.8xlarge"|"ml.c7i.12xlarge"|"ml.c7i.16xlarge"|"ml.c7i.24xlarge"|"ml.c7i.48xlarge"|"ml.r7i.large"|"ml.r7i.xlarge"|"ml.r7i.2xlarge"|"ml.r7i.4xlarge"|"ml.r7i.8xlarge"|"ml.r7i.12xlarge"|"ml.r7i.16xlarge"|"ml.r7i.24xlarge"|"ml.r7i.48xlarge"|"ml.g4dn.xlarge"|"ml.g4dn.2xlarge"|"ml.g4dn.4xlarge"|"ml.g4dn.8xlarge"|"ml.g4dn.12xlarge"|"ml.g4dn.16xlarge"|"ml.g5.xlarge"|"ml.g5.2xlarge"|"ml.g5.4xlarge"|"ml.g5.8xlarge"|"ml.g5.12xlarge"|"ml.g5.16xlarge"|"ml.g5.24xlarge"|"ml.g5.48xlarge"|"ml.trn1.2xlarge"|"ml.trn1.32xlarge"|"ml.inf2.xlarge"|"ml.inf2.8xlarge"|"ml.inf2.24xlarge"|"ml.inf2.48xlarge",
"InstanceCount": integer,
"VolumeKmsKeyId": "string",
"TransformAmiVersion": "string"
}
}
}
...
]
}
--certify-for-marketplace | --no-certify-for-marketplace (булево)
--tags (список)
Массив пар ключ-значение. Вы можете использовать теги для категоризации ресурсов Amazon Web Services различными способами, например, по назначению, владельцу или среде. Дополнительные сведения см. в разделе Маркировка ресурсов Amazon Web Services.
(структура)
Объект тега, состоящий из ключа и необязательного значения, используемый для управления метаданными для ресурсов SageMaker Amazon Web Services.
Вы можете добавлять теги к экземплярам ноутбуков, задачам обучения, задачам настройки гиперпараметров, задачам пакетного преобразования, моделям, задачам маркировки, рабочим командам, конфигурациям конечных точек и конечным точкам. Дополнительные сведения об добавлении тегов к ресурсам SageMaker см. в разделе AddTags .
Дополнительные сведения о добавлении метаданных к вашим ресурсам Amazon Web Services с помощью тегов см. в разделе Маркировка ресурсов Amazon Web Services. Советы по лучшим практикам управления ресурсами Amazon Web Services с помощью тегов см. в разделе Практические рекомендации по тегам: внедрение эффективной стратегии маркировки ресурсов Amazon Web Services .
Ключ -> (строка)
Значение -> (строка)
Сокращенная синтаксическая запись:
Key=string,Value=string ...
Синтаксис JSON:
[
{
"Key": "string",
"Value": "string"
}
...
]
--cli-input-json | --cli-input-yaml (строка) Считывает аргументы из предоставленной JSON-строки. JSON-строка соответствует формату, предоставленному в --generate-cli-skeleton. Если на командной строке указаны другие аргументы, эти значения будут переопределять значения, предоставленные в JSON. Невозможно передавать произвольные двоичные значения с помощью значения, предоставленного в JSON, так как строка будет интерпретироваться буквально. Это не может быть указано вместе с --cli-input-yaml.
--generate-cli-skeleton (строка) Выводит JSON-скелет в стандартный вывод без отправки запроса API. Если предоставлено значение без значения или со значением input, выводит пример входного JSON, который может быть использован в качестве аргумента для --cli-input-json. Аналогично, если предоставлено yaml-input, он выведет пример входного YAML, который можно использовать с --cli-input-yaml. Если предоставлено значение output, он проверит входные данные команды и вернет пример выходного JSON для этой команды. Сгенерированный JSON-скелет не является стабильным между версиями AWS CLI, и нет гарантий обратной совместимости в сгенерированном JSON-скелете.
Общие параметры
--debug (логическое значение)
Включить отладочную запись в журнал.
--endpoint-url (строка)
Переопределить URL по умолчанию команды на указанный URL.
--no-verify-ssl (логическое значение)
По умолчанию AWS CLI использует SSL при взаимодействии с сервисами AWS. Для каждого подключения SSL AWS CLI будет проверять сертификаты SSL. Этот параметр переопределяет поведение проверки сертификатов SSL по умолчанию.
--no-paginate (логическое значение)
Отключить автоматическую постраничную навигацию. Если автоматическая постраничная навигация отключена, AWS CLI выполнит только один вызов для первой страницы результатов.
--output (строка)
Стиль форматирования для вывода команды.
- json
- текст
- таблица
- yaml
- yaml-поток
--query (строка)
Запрос JMESPath для фильтрации данных ответа.
--profile (строка)
Использовать определенный профиль из файла учетных данных.
--region (строка)
Использовать указанный регион. Переопределяет настройки конфигурации/среды.
--version (строка)
Отобразить версию этого инструмента.
--color (строка)
Включить/выключить цветной вывод.
- вкл
- выкл
- авто
--no-sign-request (логическое значение)
Не подписывать запросы. Учетные данные не будут загружены, если этот параметр указан.
--ca-bundle (строка)
Файл сертификатов CA для проверки сертификатов SSL. Переопределяет настройки конфигурации/среды.
--cli-read-timeout (целое число)
Максимальное время чтения сокета в секундах. Если значение установлено в 0, чтение сокета будет выполняться блокирующим образом без таймаута. Значение по умолчанию составляет 60 секунд.
--cli-connect-timeout (целое число)
Максимальное время подключения к сокету в секундах. Если значение установлено в 0, подключение к сокету будет выполняться блокирующим образом без таймаута. Значение по умолчанию составляет 60 секунд.
--cli-binary-format (строка)
Стиль форматирования, используемый для двоичных блоков. Формат по умолчанию — base64. Формат base64 ожидает, что двоичные блоки будут предоставлены как строка в кодировке base64. Формат raw-in-base64-out сохраняет совместимость с поведением AWS CLI V1, и двоичные значения должны передаваться буквально. При предоставлении содержимого из файла, которое соответствует двоичному блоку, fileb:// всегда будет обрабатываться как двоичное и использовать содержимое файла напрямую независимо от cli-binary-format. При использовании file:// содержимое файла должно быть должным образом отформатировано для настроенного cli-binary-format.
- base64
- raw-in-base64-out
--no-cli-pager (логическое значение)
Отключить пейджер cli для вывода.
--cli-auto-prompt (логическое значение)
Автоматически запрашивать параметры входных данных CLI.
--no-cli-auto-prompt (логическое значение)
Отключить автоматическое запроса параметров входных данных CLI.
Вывод
AlgorithmArn -> (строка)
© Copyright 2025, Amazon Web Services. Created using Sphinx.
