amazon sagem中自定义代码的增量培训

Question

我将在amazon sagemaker中迈出我的第一步。我用脚本模式来训练分类算法。训练是好的，但是我不能做增量训练。我想用新数据再次训练同一个模型。这就是我所做的。这是我的剧本：

import sagemaker
from sagemaker.tensorflow import TensorFlow
from sagemaker import get_execution_role

bucket = 'sagemaker-blablabla'
train_data = 's3://{}/{}'.format(bucket,'train')
validation_data = 's3://{}/{}'.format(bucket,'test')

s3_output_location = 's3://{}'.format(bucket)

tf_estimator = TensorFlow(entry_point='main.py', 
                          role=get_execution_role(),
                          train_instance_count=1, 
                          train_instance_type='ml.p2.xlarge',
                          framework_version='1.12', 
                          py_version='py3',
                          output_path=s3_output_location)

inputs = {'train': train_data, 'test': validation_data}
tf_estimator.fit(inputs)

入口点是我的自定义keras代码，我将其改编为从脚本接收参数。 现在培训已经顺利完成，我的s3桶里有型号.tar.gz. 我想再训练一次，但我不清楚怎么做。。我试过了

trained_model = 's3://sagemaker-blablabla/sagemaker-tensorflow-scriptmode-2019-11-27-12-01-42-300/output/model.tar.gz'

tf_estimator = sagemaker.estimator.Estimator(image_name='blablabla-west-1.amazonaws.com/sagemaker-tensorflow-scriptmode:1.12-gpu-py3', 
                                              role=get_execution_role(),
                                              train_instance_count=1, 
                                              train_instance_type='ml.p2.xlarge',
                                              output_path=s3_output_location,
                                              model_uri = trained_model)

inputs = {'train': train_data, 'test': validation_data}

tf_estimator.fit(inputs)

不起作用。首先，我不知道如何检索训练映像名称（为此，我在aws控制台中查找了它，但我想应该有一个更聪明的解决方案），其次，这段代码抛出了一个关于入口点的异常，但我的理解是，当我使用就绪映像进行增量学习时，不应该需要它。 我肯定错过了一些重要的事情，有什么帮助吗？谢谢您！你知道吗

Answer 1

增量训练是内置Image Classifier and Object Detector的本机特性。对于自定义代码，开发人员负责编写增量训练逻辑并验证其有效性。以下是一个可能的路径：

1. 使用fit中传递的数据通道之一加载模型状态（要微调的工件）
2. 在代码中，检查模型状态通道是否已填充 有人工制品。如果是，则从该状态实例化一个模型 继续训练。这是特定于框架的，您可能需要 必要的预防措施，以避免忘记以前的学习。你知道吗

一些框架为增量学习提供了比其他框架更好的支持。例如，一些sklearn模型提供了incremental_fit方法。对于DL框架来说，从检查点继续训练在技术上是非常容易的，但是如果新数据与以前看到的数据非常不同，这可能会导致您的模型忘记以前的学习。你知道吗