View a markdown version of this page

Die Debugger-APIs verwenden, um Ihre eigenen benutzerdefinierten Regeln auszuführen - 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.

Die Debugger-APIs verwenden, um Ihre eigenen benutzerdefinierten Regeln auszuführen

Anmerkung

Amazon SageMaker Debugger steht neuen Kunden nicht mehr offen. 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.

Das folgende Codebeispiel zeigt, wie eine benutzerdefinierte Regel mit dem Amazon SageMaker Python SDK konfiguriert wird. In diesem Beispiel wird davon ausgegangen, dass sich das benutzerdefinierte Regelskript, das Sie im vorherigen Schritt erstellt haben, unter 'path/to/my_custom_rule.py' befindet.

from sagemaker.core.debugger import Rule, CollectionConfig

custom_rule = Rule.custom(
    name='MyCustomRule',
    image_uri='759209512951.dkr.ecr.us-west-2.amazonaws.com/sagemaker-debugger-rule-evaluator:latest', 
    instance_type='ml.t3.medium',     
    source='path/to/my_custom_rule.py', 
    rule_to_invoke='CustomGradientRule',     
    collections_to_save=[CollectionConfig("gradients")], 
    rule_parameters={"threshold": "20.0"}
)

In der folgenden Liste werden die Debugger Rule.custom-API-Argumente erklärt.

  • name (str): Geben Sie beliebig einen benutzerdefinierten Regelnamen an.

  • image_uri (str): Dies ist das Bild des Containers, das die Logik enthält, Ihre benutzerdefinierte Regel zu verstehen. Es bezieht die angegebenen Tensorsammlungen, die Sie im Trainingsauftrag speichern, und wertet sie aus. Die Liste der Open-Source-Bilder für SageMaker AI-Regelevaluatoren finden Sie unterAmazon SageMaker Debugger-Image-URIs für benutzerdefinierte Regelevaluatoren.

  • instance_type (str): Sie müssen eine Instance angeben, um einen Regel-Docker-Container zu erstellen. Dadurch wird die Instance parallel zu einem Trainingscontainer hochgefahren.

  • source (str): Dies ist der lokale Pfad oder der Amazon-S3-URI zu Ihrem benutzerdefinierten Regelskript.

  • rule_to_invoke(str): Dies gibt die jeweilige Implementierung der Regelklasse in Ihrem benutzerdefinierten Regelskript an. SageMaker AI unterstützt nur eine Regel, die in einem Regeljob gleichzeitig ausgewertet werden kann.

  • collections_to_save (str): Dies gibt an, welche Tensorsammlungen Sie speichern, damit die Regel ausgeführt werden kann.

  • rule_parameters (Wörterbuch): Dies akzeptiert Parametereingaben in einem Wörterbuchformat. Sie können die Parameter anpassen, die Sie im benutzerdefinierten Regelskript konfiguriert haben.

Nachdem Sie das custom_rule Objekt eingerichtet haben, können Sie es verwenden, um einen SageMaker KI-Schätzer für beliebige Trainingsjobs zu erstellen. Geben Sie das entry_point in Ihrem Trainingsskript an. Sie müssen keine Änderungen an Ihrem Trainingsskript vornehmen.

from sagemaker.train import ModelTrainer
from sagemaker.train.configs import SourceCode, Compute
from sagemaker.core.helper.session_helper import get_execution_role

model_trainer = ModelTrainer(
                role=get_execution_role(),
                base_job_name='smdebug-custom-rule-demo-tf-keras',
                source_code=SourceCode(entry_script='path/to/your_training_script.py'),
                compute=Compute(instance_type='ml.p2.xlarge'),
                ...
                
                # debugger-specific arguments below
                rules = [custom_rule]
)

model_trainer.train()

Weitere Varianten und erweiterte Beispiele für die Verwendung benutzerdefinierter Debugger-Regeln finden Sie in den folgenden Beispiel-Notebooks.