View a markdown version of this page

Integrierte Debugger-Regeln mit den Standard-Parametereinstellungen verwenden - Amazon SageMaker KI

Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

Integrierte Debugger-Regeln mit den Standard-Parametereinstellungen verwenden

Anmerkung

Amazon SageMaker Debugger steht neuen Kunden nicht mehr zur Verfügung. Bestehende Kunden können den Service weiterhin wie gewohnt nutzen. AWS investiert weiterhin in Sicherheits- und Verfügbarkeitsverbesserungen für Debugger, aber wir planen nicht, neue Funktionen einzuführen. Weitere Informationen finden Sie unter Änderung der Debugger-Verfügbarkeit.

Um die integrierten Debugger-Regeln in einem Estimator anzugeben, müssen Sie ein Listenobjekt konfigurieren. Der folgende Beispielcode zeigt die grundlegende Struktur der Auflistung der integrierten Debugger-Regeln:

from sagemaker.core.debugger import Rule, rule_configs

rules=[
    Rule.sagemaker(rule_configs.built_in_rule_name_1()),
    Rule.sagemaker(rule_configs.built_in_rule_name_2()),
    ...
    Rule.sagemaker(rule_configs.built_in_rule_name_n()),
    ... # You can also append more profiler rules in the ProfilerRule.sagemaker(rule_configs.*()) format.
]

Weitere Informationen zu Standardparameterwerten und Beschreibungen der integrierten Regel finden Sie unter Liste der in den Debugger integrierten Regeln.

Die SageMaker Debugger-API-Referenz finden Sie unter sagemaker.debugger.rule_configs und. sagemaker.debugger.Rule

Um beispielsweise die allgemeine Trainingsleistung und den Fortschritt Ihres Modells zu überprüfen, erstellen Sie einen SageMaker KI-Schätzer mit der folgenden integrierten Regelkonfiguration. 

from sagemaker.core.debugger import Rule, rule_configs

rules=[
    Rule.sagemaker(rule_configs.loss_not_decreasing()),
    Rule.sagemaker(rule_configs.overfit()),
    Rule.sagemaker(rule_configs.overtraining()),
    Rule.sagemaker(rule_configs.stalled_training_rule())
]

Wenn Sie den Trainingsauftrag starten, erfasst der Debugger standardmäßig alle 500 Millisekunden Daten zur Systemressourcenauslastung und die Verlust- und Genauigkeitswerte alle 500 Schritte. Der Debugger analysiert die Ressourcennutzung, um festzustellen, ob Ihr Modell Engpassprobleme aufweist. Der loss_not_decreasing, overfit, overtraining, und stalled_training_rule überwacht, ob Ihr Modell die Verlustfunktion optimiert, ohne dass diese Trainingsprobleme auftreten. Wenn die Regeln Trainingsanomalien erkennen, ändert sich der Status der Regelauswertung in IssueFound. Mithilfe von Amazon CloudWatch Events und können Sie automatische Aktionen einrichten, z. B. das Melden von Schulungsproblemen und das Beenden von Trainingsaufträgen. AWS Lambda Weitere Informationen finden Sie unter Aktion bei Amazon SageMaker Debugger-Regeln.