新上线昨天0 投票
Amazon SageMaker AI SDK v3 脚本模式：自带模型的新方式
从框架绑定到自由选择：SageMaker SDK v3 脚本模式重塑自带模型体验
2021 年，AWS 曾发布关于 SageMaker 脚本模式的博客，展示了如何在 AWS 托管框架容器上使用自定义训练和推理代码。彼时，脚本模式让开发者无需构建和维护 Docker 镜像即可运行自己的算法，堪称一大进步。如今，SageMaker Python SDK v3 从零开始重新设计，让这一工作流更加顺畅。
核心变化：统一类与运行时注入
v3 SDK 用统一的 ModelTrainer（用于训练）和 ModelBuilder（用于部署）取代了旧的框架特定估算器类（如 SKLearn、PyTorch、XGBoost）。最关键的创新是 SourceCode 配置对象：它允许你将本地源代码目录同步到运行时训练作业中，而无需重建容器镜像。这意味着：
- 迭代更快：修改训练脚本后直接重新运行，无需重建容器。
- 完全控制容器：可在镜像中安装系统包或 CUDA 库，SDK 不假设镜像内容。
- 多框架统一 API：无论是 scikit-learn、PyTorch、Stable Diffusion 还是自定义 C++ 推理二进制，接口都一致。
两个端到端示例
博客提供了两个完整示例，展示 v3 脚本模式的实际应用：
- scikit-learn 随机森林：经典表格 ML 工作流，在糖尿病数据集上训练，并使用 Deep Java Library (DJL) Serving 部署到实时端点。
- Stable Diffusion 3.5 LoRA 微调：生成式 AI 工作流，使用 Hugging Face Accelerate 进行多 GPU 分布式训练。
两个示例都使用相同的两个核心类：ModelTrainer 和 ModelBuilder。SourceCode 对象接受 source_dir（本地代码目录路径）和 command（训练）或 entry_script（推理）。作业启动时，SageMaker 将该目录同步到容器中，代码在容器内运行。
对 AI 开发者的意义
这一更新降低了自带模型的门槛，尤其适合需要快速迭代或使用非标准框架的团队。无需每次调整代码都构建镜像，节省时间和精力。同时，统一的 API 简化了多框架项目的维护。对于生成式 AI 的微调任务，如 Stable Diffusion，脚本模式与多 GPU 分布式训练的结合也变得更加直接。
如果你正在使用 SageMaker 进行自定义模型训练，v3 的脚本模式值得一试。更多细节和代码示例，可参考 AWS 官方博客。
