如何使用文件列表作为 Sagemaker 上的训练集和 Tensorflow？

Question

我的训练文件夹中有几百万张图像，并且想要指定其中的一个子集进行训练 - 执行此操作的方法似乎是使用此处描述的清单文件。

https://docs.aws.amazon.com/sagemaker/latest/dg/augmented-manifest.html

但这似乎是针对标记数据的。 如何使用 sagemaker 的 Tensorflow estimator.fit以文件列表而不是整个目录作为输入来开始 sagemaker 培训工作？

Answer 1

您可以使用输入类型 pipe 参数，如下所示：

hyperparameters = {'save_checkpoints_secs':None,
                   'save_checkpoints_steps':1000}

tf_estimator = TensorFlow(entry_point='./my-training-file', role=role,
                          training_steps=5100, evaluation_steps=100,
                          train_instance_count=1, train_instance_type='ml.p3.2xlarge',
                          input_mode = 'Pipe',
                          train_volume_size=300, output_path = 's3://sagemaker-pocs/test-carlsoa/kepler/model',
                          framework_version = '1.12.0', hyperparameters=hyperparameters, checkpoint_path = None)

并创建清单文件 pipe 作为输入：

train_data = sagemaker.session.s3_input('s3://sagemaker-pocs/test-carlsoa/manifest.json',
                                        distribution='FullyReplicated',
                                        content_type='image/jpeg',
                                        s3_data_type='ManifestFile',
                                        attribute_names=['source-ref']) 
                                        #attribute_names=['source-ref', 'annotations']) 
data_channels = {'train': train_data}

请注意，您可以使用 ManifestFile 或 AugmentedManifestFile，具体取决于您是否需要提供额外的数据或标签。 现在您可以使用 data_channels 作为 tf 估计器的输入：

tf_estimator.fit(inputs=data_channels, logs=True)