TensorFlow 框架处理器

TensorFlow 是一个开源机器学习和人工智能库。Amazon SageMaker Python SDK 中的 TensorFlowProcessor 为您提供了使用 TensorFlow 脚本运行处理作业的功能。在使用 TensorFlowProcessor 时，您可以利用 Amazon 构建的 Docker 容器和托管的 TensorFlow 环境，这样您便无需自带容器。

以下代码示例显示了如何使用 TensorFlowProcessor 以及 SageMaker AI 提供并维护的 Docker 映像运行处理作业。请注意，在运行作业时，您可以在 source_dir 参数中指定包含脚本和依赖关系的目录，并且可以在 source_dir 目录中有一个 requirements.txt 文件以指定处理脚本的依赖项。SageMaker Processing 会在容器的 requirements.txt 中为您安装依赖项。

from sagemaker.tensorflow import TensorFlowProcessor
from sagemaker.processing import ProcessingInput, ProcessingOutput
from sagemaker import get_execution_role

#Initialize the TensorFlowProcessor
tp = TensorFlowProcessor(
    framework_version='2.3',
    role=get_execution_role(),
    instance_type='ml.m5.xlarge',
    instance_count=1,
    base_job_name='frameworkprocessor-TF',
    py_version='py37'
)

#Run the processing job
tp.run(
    code='processing-script.py',
    source_dir='scripts',
    inputs=[
        ProcessingInput(
            input_name='data',
            source=f's3://{BUCKET}/{S3_INPUT_PATH}',
            destination='/opt/ml/processing/input/data'
        ),
        ProcessingInput(
            input_name='model',
            source=f's3://{BUCKET}/{S3_PATH_TO_MODEL}',
            destination='/opt/ml/processing/input/model'
        )
    ],
    outputs=[
        ProcessingOutput(
            output_name='predictions',
            source='/opt/ml/processing/output',
            destination=f's3://{BUCKET}/{S3_OUTPUT_PATH}'
        )
    ]
)

如果您有 requirements.txt 文件，它应该是您要在容器中安装的库的列表。source_dir 的路径可以是相对路径、绝对路径或 Amazon S3 URI 路径。但是，如果您使用 Amazon S3 URI，则路径必须指向 tar.gz 文件。在您为 source_dir 指定的目录中可以有多个脚本。要了解有关 TensorFlowProcessor 类的更多信息，请参阅《Amazon SageMaker Python SDK》中的 TensorFlow 估算器。