支持的其他 SDK - Amazon SageMaker
SageMaker Experiments SDK
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)。

支持的其他 SDK

重要

从 v2.123.0 开始，SageMaker Experiments 现在可与 SageMaker Python SDK 完全集成，您不再需要使用单独的 SageMaker Experiments SDK。我们建议使用 sagemaker.experiments.run，而不是以下 smexperiments 模块创建实验。

以下部分介绍如何使用 SageMaker Experiments SDK 创建 SageMaker 实验。

使用 SageMaker Experiments SDK 创建 Amazon SageMaker 实验

可创建 Amazon SageMaker 实验，以跟踪 SageMaker 训练、处理和转换作业。

以下过程介绍了如何为 SageMaker 训练、处理或转换作业创建 SageMaker 实验。标记为 (Studio) 的步骤描述了如何在 Amazon SageMaker Studio 中查看实验。您不必在 Studio 中运行实验，即可在 Studio 中查看实验。

  1. 导入 sys 模块以安装 SDK。

    import sys

  2. （可选）Amazon SageMaker Python SDK 已预装在 SageMaker Studio 中。如果您计划在 Studio 之外运行代码，请安装 SageMaker Python SDK。

    !{sys.executable} -m pip install sagemaker

  3. 安装 SageMaker Experiments Python SDK。

    !{sys.executable} -m pip install sagemaker-experiments

  4. 导入模块。

    import time
from time import strftime

import sagemaker

from smexperiments.experiment import Experiment
from smexperiments.trial import Trial
from smexperiments.trial_component import TrialComponent
from smexperiments.tracker import Tracker

  5. 获取执行角色并创建 SageMaker 会话。

    role = sagemaker.get_execution_role()
sm_sess = sagemaker.session.Session()

  6. 创建 SageMaker 实验。实验名称在账户中必须是唯一的。

    注意

    tags 参数是可选的。您可以使用 Studio、SageMaker 控制台和 SDK 搜索标签。标签也可以应用于试验和试验组件。

    create_date = strftime("%Y-%m-%d-%H-%M-%S")
demo_experiment = Experiment.create(experiment_name = "DEMO-{}".format(create_date),
                                    description = "Demo experiment",
                                    tags = [{'Key': 'demo-experiments', 'Value': 'demo1'}])

  7. (Studio) 要在 SageMaker Studio 中查看实验，可在左侧边栏中选择实验。

    代码运行后，实验列表中将包含这个新的实验。列表刷新并显示实验可能需要一点时间。还会显示实验标签筛选器。只显示具有匹配标签的实验。列表应与下图类似：

  8. 为实验创建试验。试验名称在账户中必须是唯一的。

    demo_trial = Trial.create(trial_name = "DEMO-{}".format(create_date),
                          experiment_name = demo_experiment.experiment_name,
                          tags = [{'Key': 'demo-trials', 'Value': 'demo1'}])

  9. 创建试验组件，作为试验的一部分。试验组件即 SageMaker 作业。

    可将 ExperimentConfig 参数添加到相应的方法。支持下表中列出的 SageMaker 作业。

    作业 SageMaker Python SDK 方法 Boto3 方法
    训练 Estimator.fit CreateTrainingJob
    处理 Processor.run CreateProcessingJob
    转换 Transformer.transform CreateTransformJob

    以下示例适用于训练作业。Tags 参数将标签添加到试验组件。ExperimentName 未指定，因为试验在前期步骤中创建时，已与实验相关联。

    使用 SageMaker Python SDK

    sagemaker.estimator.Estimator(
    ...,
    sagemaker_session = sm_sess,
    tags = [{'Key': 'demo-jobs', 'Value': 'demo2'}])

estimator.fit(
    ...,
    experiment_config = {
        # "ExperimentName"
        "TrialName" : demo_trial.trial_name,
        "TrialComponentDisplayName" : "TrainingJob",
    })

    使用 Boto3

    create_training_job(
    ...,
    "ExperimentConfig": {
        # "ExperimentName"
        "TrialName" : demo_trial.trial_name,
        "TrialComponentDisplayName" : "TrainingJob",
    },
    "Tags": [{'Key': 'demo-jobs', 'Value': 'demo2'}])

  10. (Studio) 在实验列表中，双击该实验以显示实验中的试验列表。在 Studio 用户界面中，试验被称为运行组，试验组件被称为运行。列表应与下图类似：

  11. (Studio) 要查看有关实验、试验和作业（试验组件）的信息，请参阅查看、搜索和比较实验运行。

要清理您创建的资源，请参阅清理 Amazon SageMaker 实验资源。