使用经过训练的模型生成新的模型构件 - Amazon Neptune
Amazon Web Services 文档中描述的 Amazon Web Services 服务或功能可能因区域而异。要查看适用于中国区域的差异,请参阅 中国的 Amazon Web Services 服务入门 (PDF)

本文属于机器翻译版本。若本译文内容与英语原文存在差异,则一律以英文原文为准。

使用经过训练的模型生成新的模型构件

使用 Neptune ML 模型转换命令,您可以使用预训练的模型参数计算模型构件,例如已处理的图形数据上的节点嵌入。

用于增量推理的模型转换

增量模型推理工作流程中,在处理完从 Neptune 导出的已更新的图形数据后,可以使用 curl(或 awscurl)命令启动模型转换任务,如下所示:

curl \ -X POST https://(your Neptune endpoint)/ml/modeltransform -H 'Content-Type: application/json' \ -d '{ "id" : "(a unique model-training job ID)", "dataProcessingJobId" : "(the data-processing job-id of a completed job)", "mlModelTrainingJobId": "(the ML model training job-id)", "modelTransformOutputS3Location" : "s3://(your Amazon S3 bucket)/neptune-model-transform/" }'

然后,您可以将此任务的 ID 传递给 create-endpoints API 调用,以创建新的端点,或者使用此任务生成的新模型构件更新现有端点。这允许新的或更新的端点为更新后的图形数据提供模型预测。

适用于任何训练任务的模型转换

还可以提供一个 trainingJobName 参数,为在 Neptune ML 模型训练期间启动的任何 SageMaker 训练任务生成模型构件。由于 Neptune ML 模型训练任务可能会潜在启动许多 SageMaker 训练任务,因此您可以灵活地基于任何 SageMaker 训练任务创建推理端点。

例如:

curl \ -X POST https://(your Neptune endpoint)/ml/modeltransform -H 'Content-Type: application/json' \ -d '{ "id" : "(a unique model-training job ID)", "trainingJobName" : "(name a completed SageMaker training job)", "modelTransformOutputS3Location" : "s3://(your Amazon S3 bucket)/neptune-model-transform/" }'

如果原始训练任务是针对用户提供的自定义模型,则在调用模型转换时必须包含一个 customModelTransformParameters 对象。有关如何实现和使用自定义模型的信息,请参阅Neptune ML 中的自定义模型

注意

modeltransform 命令始终在最适合该训练的 SageMaker 训练任务上运行模型转换。

有关模型转换任务的更多信息,请参阅modeltransform 命令