如何在 Sagemaker 的处理步骤中将包上传到实例？

Question

我必须对一些数据进行大规模特征工程。我当前的方法是使用启动实例SKLearnProcessor，然后通过选择更大的实例大小或增加实例数量来扩展作业。我需要使用一些默认情况下未安装在 Sagemaker 实例上的软件包，因此我想使用 .whl 文件安装这些软件包。

另一个障碍是 Sagemaker 角色无法访问互联网。

import boto3

import sagemaker

from sagemaker import get_execution_role

from sagemaker.sklearn.processing import SKLearnProcessor

sess = sagemaker.Session()

sess.default_bucket()        

region = boto3.session.Session().region_name

role = get_execution_role()

sklearn_processor = SKLearnProcessor(framework_version='0.20.0',

                                     role=role,

                                     sagemaker_session = sess,

                                     instance_type="ml.t3.medium",

                                     instance_count=1)

sklearn_processor.run(code='script.py')

尝试的解决方案：

1. 将包上传到 CodeCommit 存储库并将存储库克隆到 SKLearnProcessor 实例中。因错误而失败fatal: could not read Username for 'https://git-codecommit.eu-west-1.amazonaws.com': No such device or address。我尝试将存储库克隆到 sagemaker 笔记本实例中并且它可以工作，所以这不是我的脚本的问题。

2. 使用 bash 脚本通过 CLI 从 s3 复制包。我使用的 bash 脚本基于这篇文章。但包永远不会被复制，并且不会抛出错误消息。

3. 还研究了使用该包s3fs，但似乎不适合复制轮文件。

备择方案

我的客户对于是否从自定义 Docker 镜像启动容器犹豫不决。还有其他选择吗？

Answer 1

2. Use a bash script to copy the packages from s3 using the CLI. The bash script I used is based off this post. But the packages never get copied, and an error message is not thrown.这种方法似乎很合理。您最好覆盖tocommand上的字段，运行 bash 脚本，就像安装包含 python 依赖项的wheel，然后运行主 python 入口点脚本。SKLearnProcessor/bin/bashinstall_and_run_my_python_code.sh此外，您可以使用ProcessingInput来下载代码，而不是使用AWS S3调用来下载脚本中的代码，而不是使用bash脚本中的AWS CLI调用来下载代码，这就是SKLearnProcessor下载入口点script.py代码的方法。所有实例。

Answer 2

还有其他一些选择。这是我能想到的所有选项（有些已经提到了）使用sagemaker.processing.*Processor.run(code=<bash script>)bash 脚本从存储库中提取：提交到 Codecommit/Github/Bitbucket 存储库，并使用您的运行 bash 脚本通过从同一存储库克隆来进行设置Hijack&nbsp;ProcessingInput：指向ProcessingInput本地目录，或者通过将文件上传到 S3 并指向ProcessingInput同一个 S3 来进行预先设置。将您的库打包并推送到本地存储库（Nexus、EC2、CodArtifact，支持此），然后像任何带有 bash 运行文件的 python 包一样安装它们。劫持sagemaker.sklearn.estimator并用于source_dir指定您的整个源目录从包中编译一个轮子并推送到容器并ProcessingInput安装。这些都不是很好。我没有做1，因为我不想每次都推送最新的代码来测试，不想构建一个包（3）或编译一个轮子（5），并使用估计器来运行处理作业似乎是错误的。使用 2，在我的情况下，有必要将单个文件放在正确的位置（ProcessingInput不支持单个文件，并且我在更高的目录中有 pyproject.toml），因此运行该作业的作业脚本通过订购进行预先设置并将文件上传到 S3，我在ProcessingInput.