如何实施 PyTorch 数据集以用于 AWS SageMaker？

Question

我已经实现了一个 PyTorch Dataset，它可以在本地（在我自己的桌面上）运行，但是在 AWS SageMaker 上执行时，它会中断。我的Dataset实现如下。

class ImageDataset(Dataset):
    def __init__(self, path='./images', transform=None):
        self.path = path
        self.files = [join(path, f) for f in listdir(path) if isfile(join(path, f)) and f.endswith('.jpg')]
        self.transform = transform
        if transform is None:
            self.transform = transforms.Compose([
                transforms.Resize((128, 128)),
                transforms.ToTensor(),
                transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))
            ])

    def __len__(self):
        return len(files)

    def __getitem__(self, idx):
        img_name = self.files[idx]

        # we may infer the label from the filename
        dash_idx = img_name.rfind('-')
        dot_idx = img_name.rfind('.')
        label = int(img_name[dash_idx + 1:dot_idx])

        image = Image.open(img_name)

        if self.transform:
            image = self.transform(image)

        return image, label

我正在关注这个 example and this one too，我运行 estimator 如下。

inputs = {
 'train': 'file://images',
 'eval': 'file://images'
}
estimator = PyTorch(entry_point='pytorch-train.py',
                            role=role,
                            framework_version='1.0.0',
                            train_instance_count=1,
                            train_instance_type=instance_type)
estimator.fit(inputs)

我收到以下错误。

FileNotFoundError: [Errno 2] No such file or directory: './images'

在我下面的示例中，他们将 CFAIR 数据集（在本地下载）上传到 S3。

inputs = sagemaker_session.upload_data(path='data', bucket=bucket, key_prefix='data/cifar10')

如果我看一眼 inputs，它只是一个字符串文字 s3://sagemaker-us-east-3-184838577132/data/cifar10。显示了创建 Dataset 和 DataLoader 的代码 here，除非我追查源代码并逐步执行逻辑，否则这无济于事。

我认为我的 ImageDataset 中需要做的是提供 S3 路径并使用 AWS CLI 或其他东西来查询文件并获取它们的内容。我认为 AWS CLI 不是正确的方法，因为它依赖于控制台，我将不得不执行一些子进程命令，然后进行解析。

必须有配方或其他东西来创建由 S3 文件支持的自定义 Dataset，对吧？

Answer 1

我能够使用 boto3 创建一个由 S3 数据支持的 PyTorch Dataset。如果有人感兴趣，这里是片段。

class ImageDataset(Dataset):
    def __init__(self, path='./images', transform=None):
        self.path = path
        self.s3 = boto3.resource('s3')
        self.bucket = self.s3.Bucket(path)
        self.files = [obj.key for obj in self.bucket.objects.all()]
        self.transform = transform
        if transform is None:
            self.transform = transforms.Compose([
                transforms.Resize((128, 128)),
                transforms.ToTensor(),
                transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))
            ])

    def __len__(self):
        return len(files)

    def __getitem__(self, idx):
        img_name = self.files[idx]

        # we may infer the label from the filename
        dash_idx = img_name.rfind('-')
        dot_idx = img_name.rfind('.')
        label = int(img_name[dash_idx + 1:dot_idx])

        # we need to download the file from S3 to a temporary file locally
        # we need to create the local file name
        obj = self.bucket.Object(img_name)
        tmp = tempfile.NamedTemporaryFile()
        tmp_name = '{}.jpg'.format(tmp.name)

        # now we can actually download from S3 to a local place
        with open(tmp_name, 'wb') as f:
            obj.download_fileobj(f)
            f.flush()
            f.close()
            image = Image.open(tmp_name)

        if self.transform:
            image = self.transform(image)

        return image, label

Answer 2

当您在 SageMaker 远程实例上训练时，SageMaker 服务会启动一个新的 EC2 实例并将 train/test 通道复制到 EC2 实例本地磁盘上的文件夹，并在其中启动您的训练脚本。

因此，您可以使用 os.environ['SM_CHANNEL_TRAIN'].
找出您的 train/test/验证通道的位置 Learn more here.

如何实施 PyTorch 数据集以用于 AWS SageMaker？

How do I implement a PyTorch Dataset for use with AWS SageMaker?

python

amazon-s3

pytorch

amazon-sagemaker