SageMaker PyTorch 训练工具包教程
项目介绍
SageMaker PyTorch 训练工具包是一个开源库,用于在 Amazon SageMaker 上使用 PyTorch 训练模型。该工具包依赖并扩展了基础的 SageMaker 训练工具包,提供了 PyTorch 特定的支持。
项目快速启动
安装
首先,克隆项目仓库:
git clone https://github.com/aws/sagemaker-pytorch-training-toolkit.git
cd sagemaker-pytorch-training-toolkit
配置环境
创建并激活虚拟环境:
python -m venv venv
source venv/bin/activate
安装必要的依赖:
pip install -r requirements.txt
运行示例
以下是一个简单的 PyTorch 训练脚本示例:
import torch
import torch.nn as nn
import torch.optim as optim
# 定义一个简单的神经网络
class SimpleNet(nn.Module):
def __init__(self):
super(SimpleNet, self).__init__()
self.fc = nn.Linear(10, 1)
def forward(self, x):
return self.fc(x)
# 创建模型实例
model = SimpleNet()
# 定义损失函数和优化器
criterion = nn.MSELoss()
optimizer = optim.SGD(model.parameters(), lr=0.01)
# 生成一些假数据
inputs = torch.randn(5, 10)
targets = torch.randn(5, 1)
# 训练模型
for epoch in range(100):
optimizer.zero_grad()
outputs = model(inputs)
loss = criterion(outputs, targets)
loss.backward()
optimizer.step()
print(f'Epoch {epoch+1}, Loss: {loss.item()}')
将上述脚本保存为 train.py
,然后在 SageMaker 上运行:
python train.py
应用案例和最佳实践
应用案例
SageMaker PyTorch 训练工具包广泛应用于各种深度学习任务,如图像分类、自然语言处理和推荐系统等。以下是一个图像分类的示例:
import torchvision.models as models
import torchvision.transforms as transforms
from torch.utils.data import DataLoader
from torchvision.datasets import CIFAR10
# 加载预训练的 ResNet 模型
model = models.resnet18(pretrained=True)
# 修改最后一层以适应 CIFAR10 数据集
num_ftrs = model.fc.in_features
model.fc = nn.Linear(num_ftrs, 10)
# 定义数据预处理
transform = transforms.Compose([
transforms.RandomResizedCrop(224),
transforms.RandomHorizontalFlip(),
transforms.ToTensor(),
transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]),
])
# 加载 CIFAR10 数据集
trainset = CIFAR10(root='./data', train=True, download=True, transform=transform)
trainloader = DataLoader(trainset, batch_size=32, shuffle=True, num_workers=2)
# 定义损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=0.001, momentum=0.9)
# 训练模型
for epoch in range(10):
running_loss = 0.0
for i, data in enumerate(trainloader, 0):
inputs, labels = data
optimizer.zero_grad()
outputs = model(inputs)
loss = criterion(outputs, labels)
loss.backward()
optimizer.step()
running_loss += loss.item()
print(f'Epoch {epoch+1}, Loss: {running_loss/len(trainloader)}')
最佳实践
- 使用预训练模型:利用预训练的模型可以