使用 Neptune ML 训练模型 - 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

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 Neptune ML 训练模型

处理好从 Neptune 导出进行模型训练的数据后,您可以使用curl(或者awscurl) 类似于下面这样的命令:

curl \ -X POST https://(your Neptune endpoint)/ml/modeltraining -H 'Content-Type: application/json' \ -d '{ "id" : "(a unique model-training job ID)", "dataProcessingJobId" : "(the data-processing job-id of a completed job)", "trainModelS3Location" : "s3://(your Amazon S3 bucket)/neptune-model-graph-autotrainer" }'

有关如何使用此命令的详细信息,请参阅模型训练命令,以及有关如何获取正在运行的作业的状态、如何停止正在运行的作业以及如何列出所有正在运行的作业的信息。

你也可以提供previousModelTrainingJobId使用已完成的 Neptune ML 模型训练作业中的信息来加快新训练作业中的超参数搜索速度。这在期间很有用对新图表数据进行模型再训练,以及对同一图表数据进行增量训练. 使用类似于下面这样的命令:

curl \ -X POST https://(your Neptune endpoint)/ml/modeltraining -H 'Content-Type: application/json' \ -d '{ "id" : "(a unique model-training job ID)", "dataProcessingJobId" : "(the data-processing job-id of a completed job)", "trainModelS3Location" : "s3://(your Amazon S3 bucket)/neptune-model-graph-autotrainer" "previousModelTrainingJobId" : "(the model-training job-id of a completed job)" }'

您可以在 Neptune ML 训练基础设施上训练自己的模型实现,方法是提供customModelTrainingParameters对象,像这样:

curl \ -X POST https://(your Neptune endpoint)/ml/modeltraining -H 'Content-Type: application/json' \ -d '{ "id" : "(a unique model-training job ID)", "dataProcessingJobId" : "(the data-processing job-id of a completed job)", "trainModelS3Location" : "s3://(your Amazon S3 bucket)/neptune-model-graph-autotrainer" "modelName": "custom", "customModelTrainingParameters" : { "sourceS3DirectoryPath": "s3://(your Amazon S3 bucket)/(path to your Python module)", "trainingEntryPointScript": "(your training script entry-point name in the Python module)", "transformEntryPointScript": "(your transform script entry-point name in the Python module)" } }'

请参阅模型训练命令了解更多信息,例如如何获取正在运行的作业的状态、如何停止正在运行的作业以及如何列出所有正在运行的作业。请参阅Neptune ML 中的自定义模型有关如何实施和使用自定义模型的信息。