AWS DeepLens Guia página 104

AWS DeepLens Guía para desarrolladores
Crear y ejecutar el proyecto de
detección de posición de cabeza
model_artifacts_location = 's3://{}/{}/{}'.format(s3_bucket, headpose_folder,
model_artifacts_folder)
#IAM execution role that gives SageMaker access to resources in your AWS account.
#We can use the SageMaker Python SDK to get the role from our notebook
environment.
role = get_execution_role()
Para utilizar el bucket y las carpetas de S3 (p. 96)
del bucket de S3 (por ejemplo, deeplens-sagemaker-models-<my-name>) a la variable
s3_bucket. Asegúrese de que todos los nombres de carpeta especificados coinciden con lo que
tienen en el bucket de Amazon S3.
Para ejecutar este bloque de código, elija Run (Ejecutar) en la barra de menú de la instancia de
bloc de notas.
b. En Create a training job using the sagemaker.tensorflow.TensorFlow estimator (Crear un trabajo
de entrenamiento utilizando el estimador sagemaker.tensorflow.TensorFlow), la celda de código
contiene el fragmento de código que realiza las siguientes tareas:
1. Cree una instancia de una clase de estimador
(estimator), con un script de formación especificado y una configuración del proceso.
2. Comience a entrenar el modelo (estimator.fit(...)) con el estimador, con los datos de
entrenamiento en un almacén de datos especificado.
El fragmento de código se muestra de la siguiente forma:
from sagemaker.tensorflow import TensorFlow
source_dir = os.path.join(os.getcwd())
# AWS DeepLens currently supports TensorFlow version 1.4 (as of August 24th 2018).
estimator = TensorFlow(entry_point='resnet_headpose.py',
como almacén de datos, asigne el nombre
sagemaker.tensorflow.TensorFlow
100