如何使用多个通道训练 SageMaker BlazingText 模型

Question

我有两个单独的规范化文本文件，我想在其上训练我的 BlazingText 模型。

我正在努力让它工作，文档没有帮助。

基本上我需要弄清楚如何将多个文件或 S3 前缀作为 "inputs" 参数提供给 sagemaker.estimator.Estimator.fit() 方法。

我第一次尝试：

s3_train_data1 = 's3://{}/{}'.format(bucket, prefix1)
s3_train_data2 = 's3://{}/{}'.format(bucket, prefix2)

train_data1 = sagemaker.session.s3_input(s3_train_data1, distribution='FullyReplicated', content_type='text/plain', s3_data_type='S3Prefix')

train_data2 = sagemaker.session.s3_input(s3_train_data2, distribution='FullyReplicated', content_type='text/plain', s3_data_type='S3Prefix')

bt_model.fit(inputs={'train1': train_data1, 'train2': train_data2}, logs=True)

这不起作用，因为 SageMaker 正在寻找输入参数中专门为 "train" 的密钥。

然后我尝试了：

bt_model.fit(inputs={'train': train_data1, 'train': train_data2}, logs=True)

这仅在第二个数据集上训练模型并完全忽略第一个数据集。

现在我终于尝试使用此处文档的清单文件：https://docs.aws.amazon.com/sagemaker/latest/dg/API_S3DataSource.html

（请参阅 "S3Uri" 部分下的清单文件格式）

文档说清单文件格式是 JSON，看起来像这个例子：

[

{"prefix": "s3://customer_bucket/some/prefix/"},

"relative/path/to/custdata-1",

"relative/path/custdata-2"

]

嗯，我不认为这是有效的 JSON 但我知道什么，我仍然试一试。

当我尝试这个时：

s3_train_data_manifest = 'https://s3.us-east-2.amazonaws.com/bucketpath/myfilename.manifest'

train_data_merged = sagemaker.session.s3_input(s3_train_data_manifest, distribution='FullyReplicated', content_type='text/plain', s3_data_type='ManifestFile')

data_channel_merged = {'train': train_data_merged}

bt_model.fit(inputs=data_channel_merged, logs=True)

我收到一条错误消息：

ValueError: Error training blazingtext-2018-10-17-XX-XX-XX-XXX: Failed Reason: ClientError: Data download failed:Unable to parse manifest at s3://mybucketpath/myfilename.manifest - invalid format

我尝试用大括号替换清单文件中的方括号...但我仍然觉得 JSON 文件格式似乎缺少文档未能正确描述的内容？

Answer 1

您当然可以匹配具有相同前缀的多个文件，因此只要您在 S3 存储桶中组织适合的文件，您的第一次尝试就可以成功。例如前缀：s3://mybucket/foo/ 将匹配文件 s3://mybucket/foo/bar/data1.txt 和 s3://mybucket/foo/baz/data2.txt

但是，如果您的存储桶中有第三个名为 s3://mybucket/foo/qux/data3.txt 的文件，您不想匹配（但仍然匹配前两个），则没有使用单个前缀实现这一目标的方法。在这些情况下，清单会起作用。因此，在上面的示例中，清单只是：

[
  {"prefix": "s3://mybucket/foo/"},
  "bar/data1.txt",
  "baz/data2.txt"
]

（是的，这是有效的 json - 它是一个数组，其第一个元素是一个具有名为 prefix 的属性的对象，所有后续元素都是字符串）。

请仔细检查您的清单（您实际上没有 post 所以我不能为您做）并确保它符合上述语法。

如果您仍然遇到问题，请在 AWS sagemaker 论坛上创建一个线程 - https://forums.aws.amazon.com/forum.jspa?forumID=285 完成后我们可以设置一个 PM 来尝试弄清这个问题（永远不会 post 您在 public 论坛（例如 Whosebug 甚至 AWS 论坛）中的 AWS 帐户 ID）。

如何使用多个通道训练 SageMaker BlazingText 模型

How to train SageMaker BlazingText model using multiple channels

amazon-web-services

amazon-sagemaker