SageMaker-讓自己的訓練上雲端

一.引言

　　上回練習了一個官方示例，但其中對於一些細節沒有練習到的感覺，這次我們實際將之前練習的風格轉換訓練推上去看看，看是否能體驗到更多細節。

二.事前規劃

　　既然現在需要使用自己的資料，就得好好規劃，這次希望將成本壓制在免費方案的條件下(或是最低限度)，大致需要符合以下內容 :

• 訓練資料及相關產出資料不能超出S3中的5G免費額度
• 程式碼及訓練相關檔案不能超過筆記本實例的5G限額
• 訓練時使用 ml.m5.xlarge 執行個體且不超過50小時
• 筆記本不能開啟超過250小時(*記得確實停止才不會算時間)

　　再來因為筆記本一開就會計時，所以這次將在本機端修改完再一次上傳到筆記本，考慮到只有5G，這次就選擇 Vocus-StyleTransfer-V1 來練習，第一版本的風格轉換只需要兩張圖，且訓練上也不會太久，這次修改大致規劃成下列模式 :

StyleTransferV1 ┬ TrainImg
                |    ├​ Content.jpg
                |​    └ Style.jpg
                ├ Utils
                |    ├ __init__.py
                |    └ common.py
                ├ VGG19PreTrain
                |    └ vgg19.pth
                ├ ResultImg
                └ Transform.py

三.實際操作

　　首先先上傳這些檔案到筆記本內

　　然後來處理啟動的部分，新增一個 Transform.ipynb，其中原本想要直接使用上傳到筆記本內的圖片，但嘗試後沒想到不行，只能透過S3容器，所以只能先將圖片先上傳到S3後，再指定對應路徑進行訓練。

import sagemaker
from sagemaker.pytorch import PyTorch

sagemaker_session = sagemaker.Session()
region = sagemaker_session.boto_region_name

bucket = sagemaker_session.default_bucket()
prefix = "sagemaker/StyleTransformV1"

role = sagemaker.get_execution_role()

style_path = 's3://S3-bucket-name/TrainImg/Style'
content_path = 's3://S3-bucket-name/TrainImg/Content'

estimator = PyTorch(
    entry_point="Transform.py",
    role=role,
    py_version="py310",
    framework_version="2.2.0",
    instance_count=1,
    instance_type="ml.m5.xlarge",
    output_path="s3://S3-bucket-name/Result/",
    hyperparameters={"num-steps": 150},
    dependencies=['Utils','VGG19PreTrain']
)

estimator.fit({"content": content_path,
               "style": style_path})

　　並調整存圖從存本機改成上傳到S3

def save_image_to_s3(tensor, s3_bucket, s3_key):
    # 將張量轉換為 PIL 圖片
    image = tensor.cpu().clone()
    image = image.squeeze(0)
    image = unloader(image)
    
    # 將圖片保存到內存中的 BytesIO 對象
    buffer = io.BytesIO()
    buffer.seek(0)

    # 將圖片上傳到 S3
    s3.upload_fileobj(buffer, s3_bucket, s3_key)
    
save_image_to_s3(model_output,'S3-bucket-name','Result/result.jpg')

　　確認所有都沒問題後，即可使用Shift+Enter運行Transform.ipynb的整個區塊，S3儲存區便會產出結果圖，同樣相關程式碼於Github。

四.結語

　　本次成功將之前的程式碼推上 SageMaker 進行訓練，對於基本使用有了一定的了解，實際用下來雖然在存儲上有著一定的規定，但在環境及訓練上相對都相對簡單，並且使用上邏輯也足夠清晰，接下來下篇應該會繼續探討 SageMaker 提供的其他功能，讓我們下篇再見。