适用于 Scikit-learn 和 Spark ML 的预构建 Amazon SageMaker Docker 映像 - Amazon SageMaker
使用 SageMaker Python SDK 手动指定预构建映像
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)。

适用于 Scikit-learn 和 Spark ML 的预构建 Amazon SageMaker Docker 映像

SageMaker 提供预构建的 Docker 映像，用于安装 scikit-learn 和 Spark ML 库。这些库还包所需的依赖项，用于使用 Amazon SageMaker Python SDK 构建与 SageMaker 兼容的 Docker 映像。通过使用该开发工具包，您可以使用 scikit-learn 执行机器学习任务，并使用 Spark ML 创建和优化机器学习管道。有关安装和使用该开发工具包的说明，请参阅 SageMaker Python 开发工具包。

使用 SageMaker Python SDK

下表包含指向 GitHub 存储库的链接，其中提供 scikit-learn 和 Spark ML 容器的源代码。该表还包含指向说明的链接，用于演示如何将这些容器与 Python SDK 估计器结合使用，以便运行自己的训练算法和托管自己的模型。

Library 预构建的 Docker 映像源代码 说明
scikit-learn

SageMaker Scikit-learn 容器

将 Scikit-learn 与 Amazon SageMaker Python 开发工具包结合使用
Spark ML

SageMaker Spark ML 服务容器

SparkML Python SDK 文档

有关更多信息和 Github 存储库的链接，请参阅将 Scikit-learn 与 Amazon SageMaker 结合使用和将 SparkML Serving 与 Amazon SageMaker 结合使用。

手动指定预构建映像

如果您没有使用 SageMaker Python SDK 及估算器之一来管理容器，则您必须手动检索相关的预构建容器。SageMaker 预构建的 Docker 映像存储在 Amazon Elastic Container Registry (Amazon ECR) 中。您可以使用其全名注册表地址推送或提取它们。SageMaker 为 scikit-learn 和 Spark ML 使用以下 Docker 映像 URL 模式：

  • <ACCOUNT_ID>.dkr.ecr.<REGION_NAME>.amazonaws.com/sagemaker-scikit-learn:<SCIKIT-LEARN_VERSION>-cpu-py<PYTHON_VERSION>

    例如 746614075791.dkr.ecr.us-west-1.amazonaws.com/sagemaker-scikit-learn:1.2-1-cpu-py3

  • <ACCOUNT_ID>.dkr.ecr.<REGION_NAME>.amazonaws.com/sagemaker-sparkml-serving:<SPARK-ML_VERSION>

    例如 341280168497.dkr.ecr.ca-central-1.amazonaws.com/sagemaker-sparkml-serving:2.4

有关账户 ID 和 Amazon 区域名称，请参阅 Docker 注册表路径和示例代码。

查找可用的映像

使用以下命令找出哪些版本的映像可用。例如，使用以下命令来查找可用 ca-central-1 区域中的可用 sagemaker-sparkml-serving 映像：

aws \
    ecr describe-images \
    --region ca-central-1 \
    --registry-id 341280168497 \
    --repository-name sagemaker-sparkml-serving