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.
SageMaker Nützliche AI-Estimator-Klassenmethoden für Debugger
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.
Die folgenden Estimator-Klassenmethoden sind nützlich, um auf Informationen zu Ihren SageMaker Trainingsjobs zuzugreifen und Ausgabepfade der vom Debugger gesammelten Trainingsdaten abzurufen. Die folgenden Methoden sind ausführbar, nachdem Sie mit der estimator.fit() Methode einen Trainingsauftrag gestartet haben.
-
So überprüfen Sie den Basis-S3-Bucket-URI eines SageMaker Trainingsjobs:
estimator.output_path -
So überprüfen Sie den Basisjobnamen eines SageMaker Trainingsjobs:
estimator.latest_training_job.job_name -
Um eine vollständige
CreateTrainingJobAPI-Betriebskonfiguration eines SageMaker Trainingsjobs zu sehen:estimator.latest_training_job.describe() -
Um eine vollständige Liste der Debugger-Regeln zu überprüfen, während ein SageMaker Trainingsjob ausgeführt wird:
estimator.latest_training_job.rule_job_summary() -
Um den S3-Bucket-URI zu überprüfen, in dem die Modellparameterdaten (Ausgabetensoren) gespeichert sind:
estimator.latest_job_debugger_artifacts_path() -
So überprüfen Sie den S3-Bucket-URI, in dem die Modellleistungsdaten (System- und Framework-Metriken) gespeichert sind:
estimator.latest_job_profiler_artifacts_path() -
Um die Debugger-Regelkonfiguration für das Debuggen von Ausgabetensoren zu überprüfen:
estimator.debugger_rule_configs -
Um die Liste der Debugger-Regeln für das Debuggen während der Ausführung eines SageMaker Trainingsjobs zu überprüfen, gehen Sie wie folgt vor:
estimator.debugger_rules -
So überprüfen Sie die Debugger-Regelkonfiguration für die Überwachung und Profilierung von System- und Framework-Metriken:
estimator.profiler_rule_configs -
Um die Liste der Debugger-Regeln für die Überwachung und Profilerstellung während der Ausführung eines SageMaker Trainingsjobs zu überprüfen, gehen Sie wie folgt vor:
estimator.profiler_rules
Weitere Informationen zur SageMaker AI-Estimator-Klasse und ihren Methoden finden Sie unter Estimator-API
