我们正在使用 AWS Sagemaker 功能,自带 docker,其中我们有用 R 编写的推理模型。据我了解,批量转换作业以以下方式运行容器:
docker run image serve
此外,在 docker 上我们有一个逻辑来确定调用哪个函数:
args <- commandArgs()
if (any(grepl('train', args))) {
train()}
if (any(grepl('serve', args))) {
serve()}
有没有办法覆盖默认的容器调用,以便我们可以传递一些额外的参数?
正如您所说,并且如 AWS 文档中所示,Sagemaker 将使用以下命令运行您的容器:
docker run image serve
通过发出此命令,Sagemaker 将覆盖您在容器 Dockerfile 中提供的任何
CMD
,因此您无法使用 CMD
为程序提供动态参数。
我们考虑使用 Dockerfile
ENTRYPOINT
来使用一些环境变量,但 AWS 的文档规定最好使用 exec
的 ENTRYPOINT
形式。比如:
ENTRYPOINT ["/usr/bin/Rscript", "/opt/ml/mars.R", "--no-save"]
我认为,与模型训练类比,他们需要这种容器执行来使容器能够接收终止信号:
指令的exec形式直接启动可执行文件,而不是作为ENTRYPOINT
的子指令。这使其能够从 SageMaker API 接收/bin/sh
和SIGTERM
等信号。SIGKILL
为了允许变量扩展,我们需要使用
ENTRYPOINT
shell
形式。想象一下:
ENTRYPOINT ["sh", "-c", "/usr/bin/Rscript", "/opt/ml/mars.R", "--no-save", "$ENV_VAR1"]
如果您尝试对
exec
形式执行相同操作,则提供的变量将被视为文字,并且不会替换其实际值。
请参阅this Stack Overflow 问题的批准答案,以获得对此主题的详细解释。
但是,您可以做的一件事是在 R 代码中获取这些变量的值,类似于处理
commandArgs
:
ENV_VAR1 <- Sys.getenv("ENV_VAR1")
要将环境变量传递到容器,如 AWS 文档中所示,您可以在容器上使用
CreateModel
和 CreateTransformJob
请求。
您可能需要在 Dockerfile 中包含容器上每个所需环境变量的
ENV
定义,并使用 ARG
: 为这些定义提供默认值
ARG ENV_VAR1_DEFAULT_VALUE=VAL1
ENV_VAR1=$ENV_VAR1_DEFAULT_VALUE