如何使用多个渠道培训SageMaker BlazingText模型

Question

我有两个单独的规范化文本文件，我想训练我的BlazingText模型。

我正在努力让这个工作，文档没有帮助。

基本上我需要弄清楚如何为sagemaker.estimator.Estimator.fit（）方法提供多个文件或S3前缀作为“输入”参数。

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用于“训练”的键。

那么我试过：

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。

现在最后我尝试使用Manifest文件：https://docs.aws.amazon.com/sagemaker/latest/dg/API_S3DataSource.html

（参见“S3Uri”部分下的清单文件格式）

文档说清单文件格式是一个类似于这个例子的JSON：

[

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

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

"relative/path/custdata-2"

]

好吧，我不认为这首先是有效的JSON，但我知道什么，我还是试一试。

当我尝试这个：

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)

我收到一个错误说：

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我的清单文件中的方括号...但我仍然认为JSON文件格式似乎缺少文档无法正确描述的内容？

Answer 1

您当然可以使用相同的前缀匹配多个文件，因此只要您在S3存储桶中组织文件以适应，您的第一次尝试就可以工作。对于例如前缀：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一个名为s3://mybucket/foo/qux/data3.txt的第三个文件，您不希望匹配（同时仍然匹配前两个），则无法使用单个前缀实现该目标。在这些情况下，清单可行。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（您实际上没有发布它，因此我不能为您执行此操作）并确保它符合上述语法。

如果您仍然卡住了请在AWS sagemaker论坛上打开一个帖子 - https://forums.aws.amazon.com/forum.jspa?forumID=285，在您这样做之后我们可以设置一个PM来试图找到它的底部（永远不要在像StackOverflow这样的公共论坛中发布您的AWS账户ID甚至在AWS论坛中）。