amazon sagemaker 自定义代码增量训练

Question

我正在amazon sagemaker中迈出第一步。 我正在使用脚本模式来训练分类算法。 训练很好，但是我无法进行增量训练。 我想用新数据再次训练同一个模型。 这是我所做的。 这是我的脚本：

import sagemaker
from sagemaker.tensorflow import TensorFlow
from sagemaker import get_execution_role

bucket = 'sagemaker-blablabla'
train_data = 's3://{}/{}'.format(bucket,'train')
validation_data = 's3://{}/{}'.format(bucket,'test')

s3_output_location = 's3://{}'.format(bucket)

tf_estimator = TensorFlow(entry_point='main.py', 
                          role=get_execution_role(),
                          train_instance_count=1, 
                          train_instance_type='ml.p2.xlarge',
                          framework_version='1.12', 
                          py_version='py3',
                          output_path=s3_output_location)

inputs = {'train': train_data, 'test': validation_data}
tf_estimator.fit(inputs)

入口点是我的自定义 keras 代码，我对其进行了调整以接收来自脚本的参数。 现在培训已成功完成，我的 s3 存储桶中有 model.tar.gz。 我想再次训练，但我不清楚该怎么做。我试过了

trained_model = 's3://sagemaker-blablabla/sagemaker-tensorflow-scriptmode-2019-11-27-12-01-42-300/output/model.tar.gz'

tf_estimator = sagemaker.estimator.Estimator(image_name='blablabla-west-1.amazonaws.com/sagemaker-tensorflow-scriptmode:1.12-gpu-py3', 
                                              role=get_execution_role(),
                                              train_instance_count=1, 
                                              train_instance_type='ml.p2.xlarge',
                                              output_path=s3_output_location,
                                              model_uri = trained_model)

inputs = {'train': train_data, 'test': validation_data}

tf_estimator.fit(inputs)

不起作用。 首先，我不知道如何检索训练图像名称（为此我在aws控制台中查找它，但我想应该有一个更聪明的解决方案），其次这段代码抛出一个关于入口点的异常但是它是我的理解是，当我使用现成的图像进行增量学习时，我不需要它。 我肯定错过了一些重要的东西，有什么帮助吗？ 谢谢！

Answer 1

增量训练是内置图像分类器和对象检测器的原生功能。 对于自定义代码，开发人员有责任编写增量训练逻辑并验证其有效性。 这是一个可能的路径：

1. 使用fit中传递的数据通道之一加载模型状态（工件微调）
2. 在您的代码中，检查模型状态通道是否充满了工件。 如果是，则从该状态实例化一个模型并继续训练。 这是特定于框架的，您可以采取必要的预防措施以避免忘记以前的知识。

一些框架为增量学习提供了比其他框架更好的支持。 例如，某些 sklearn 模型提供了incremental_fit方法。 对于 DL 框架，从检查点继续训练在技术上非常容易，但如果新数据与以前看到的数据有很大不同，这可能会导致您的模型忘记以前的学习。