オンプレミス環境でAmazon SageMakerを動かすための環境構築をまとめました。

環境

macOS Big Sur 11.1
Python 3.7.0

事前準備

Docker
Amazon SageMakerが提供するコンテナーを起動する際に使⽤します。macOS で Dockerを使うには、Docker アプリ（Docker Desktop）をインストールするか、Homebrewでインストールします。
Anaconda
機械学習に必要なPythonライブラリは充実しているため、Anacondaの仮想環境にAmazon SageMakerをインストールします。Anacondaのインストール⽅法は公式マニュアルに開設されています。

Amazon SageMaker⽤仮想環境の作成

condaで仮想環境（localsm）を作成します。

$ conda create -n localsm

作成した仮想環境（localsm）に切り替えます。

$ conda activate localsm

仮想環境に、機械学習に必要なPythonパッケージ（pandas, tensorflow, keras, pytorchなど）を追加します。

$ conda install pip pandas tensotflow keras pytorch

仮想環境に、sagemakerをインストールします。

$ conda pip install sagemaker

Jyupter notebookの環境を構築します。

$ conda install ipykernel 
$ python -m ipykernel install --user --name localsm --display-name "Python (localsm)"

Jupyter Notebookを起動します。

$ Jupyter notebook&

Webブラウザが起動し、Jupyter Notebookのページが問題なく表示されたら、環境構築は完了です。

ローカルモードでSageMakerの使用

まず、Amazon SageMakerを実⾏する為のIAMロールを確認します。AWS CLIが使⽤できる場合は、以下のコマンドで確認できます。

$ aws iam list-roles | grep SageMaker-Execution

以下のような結果が表示されます。

"RoleName": "AmazonSageMaker-ExecutionRole-xxxxxxxxxxxxxx",
"Arn": "arn:aws:iam::602166551063xxxxxxxxxxxxxxxxxxxxxxxxxxxx",

このArnの結果は、コンテナを呼び出すときのrole関数で使います。例えば、Dockerが起動している状態で、SageMakerが提供するScikit learnのコンテナイメージSKLearnを使⽤し、機械学習を実⾏する場合は、以下のように記述します。


from sagemaker.sklearn.estimator import SKLearn

role = 'arn:aws:iam::602166551063xxxxxxxxxxxxxxxxxxxxxxxxxxxx'


# instance_typeは"local"で指定します。
# script_pathは機械学習を実行するスクリプトですです。
sklearn = SKLearn(
    entry_point=script_path,
    framework_version=FRAMEWORK_VERSION,
    instance_type="local",
    role=role, 
)

無事にSageMakerが起動できれば、ローカルモードの環境設定は完了です。

参考

Train with Amazon SageMaker on your local machine（https://youtu.be/K3ngZKF31mc）