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.
Debugger-Beispiel-Notebooks
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.
SageMaker Notebooks mit Beispielen für Debugger
Wir empfehlen, dass Sie die Beispiel-Notebooks in SageMaker Studio oder einer SageMaker Notebook-Instance ausführen, da die meisten Beispiele für Trainingsjobs im SageMaker KI-Ökosystem konzipiert sind, einschließlich Amazon EC2, Amazon S3 und Amazon Python SDK. SageMaker
Um das Beispiel-Repository in SageMaker Studio zu klonen, folgen Sie den Anweisungen auf der Amazon SageMaker Studio Tour.
Wichtig
Um die neuen Debugger-Funktionen nutzen zu können, müssen Sie das SageMaker Python-SDK und die SMDebug Client-Bibliothek aktualisieren. Führen Sie in Ihrem IPython-Kernel, Jupyter Notebook oder Ihrer JupyterLab Umgebung den folgenden Code aus, um die neuesten Versionen der Bibliotheken zu installieren und den Kernel neu zu starten.
import sys import IPython !{sys.executable} -m pip install -U sagemaker smdebug IPython.Application.instance().kernel.do_shutdown(True)
Debugger-Beispiel-Notebooks für die Profilierung von Trainingsjobs
Die folgende Liste enthält Beispiel-Notebooks für Debugger, in denen die Anpassungsfähigkeit von Debugger zur Überwachung und Profilierung von Trainingsaufträgen für verschiedene Modelle, Datensätze und Frameworks für Machine Learning vorgestellt wird.
| Notebook-Titel | Framework | Modell | Datensatz | Description |
|---|---|---|---|---|
|
TensorFlow |
Keras 50 ResNet |
Cifar-10 |
Dieses Notizbuch bietet eine Einführung in die interaktive Analyse von Profildaten, die vom Debugger erfasst SageMaker wurden. Erkunden Sie den vollen Funktionsumfang der |
|
|
Profilieren Sie das Training zum maschinellen Lernen mit Amazon Debugger SageMaker |
TensorFlow |
Neuronales 1-D-Faltungsnetzwerk |
IMDB-Datensatz |
Profilieren Sie ein TensorFlow 1-D-CNN für die Stimmungsanalyse von IMDB-Daten, die aus Filmkritiken bestehen, die als positiv oder negativ eingestuft wurden. Sehen Sie sich den Studio Debugger Einsichten und den Bericht zur Debugger-Profilerstellung an. |
|
TensorFlow |
ResNet50 | Cifar-10 |
Führen Sie TensorFlow Trainingsjobs mit verschiedenen verteilten Trainingseinstellungen aus, überwachen Sie die Auslastung der Systemressourcen und erstellen Sie mithilfe des Debuggers ein Leistungsprofil für Ihr Modell. |
|
| PyTorch |
ResNet50 |
Cifar-10 |
Führen Sie PyTorch Trainingsjobs mit verschiedenen verteilten Trainingseinstellungen aus, überwachen Sie die Auslastung der Systemressourcen und erstellen Sie mithilfe des Debuggers ein Leistungsprofil für Ihr Modell. |
Debugger-Beispiel-Notebooks zur Analyse von Modellparametern
Die folgende Liste enthält Beispiel-Notebooks für Debugger, in denen die Anpassungsfähigkeit von Debugger zum Debuggen von Trainingsaufträge für verschiedene Modelle, Datensätze und Frameworks für Machine Learning vorgestellt wird.
| Notebook-Titel | Framework | Modell | Datensatz | Description |
|---|---|---|---|---|
|
Amazon SageMaker Debugger — Verwenden Sie die integrierte Regel |
TensorFlow |
Konvolutionelles neuronales Netzwerk |
MINST |
Verwenden Sie die in Amazon SageMaker Debugger integrierten Regeln zum Debuggen eines Modells. TensorFlow |
|
TensorFlow |
ResNet50 |
Cifar-10 |
Verwenden Sie die Amazon SageMaker Debugger-Hook-Konfiguration und die integrierten Regeln zum Debuggen eines Modells mit dem Tensorflow 2.1-Framework. |
|
|
MXNet |
Neuronales Faltungsnetzwerk von Gluon |
Mode MNIST |
Führen Sie einen Trainingsjob aus und konfigurieren Sie den SageMaker Debugger so, dass er alle Tensoren aus diesem Job speichert. Visualisieren Sie diese Tensoren dann in einem Notizbuch. |
|
| MXNet |
Neuronales Faltungsnetzwerk von Gluon |
Mode MNIST |
Erfahren Sie, wie der Debugger Tensordaten aus einem Trainingsauftrag auf einer Spot-Instance sammelt und wie Sie die integrierten Debuger-Regeln mit verwaltetem Spot-Training verwenden. |
|
| Erläutern Sie ein XGBoost-Modell, das das Einkommen einer Person mit Amazon Debugger vorhersagt SageMaker |
XGBoost |
XGBoost-Regression |
Erfahren Sie, wie Sie den Debugger-Hook und die integrierten Regeln zum Sammeln und Visualisieren von Tensordaten aus einem XGBoost-Regressionsmodell verwenden, z. B. Verlustwerte, Merkmale und SHAP-Werte. |
Erweiterte Visualisierungen von Modellparametern und Anwendungsfällen finden Sie im nächsten Thema unter Debugger: erweiterte Demos und Visualisierung.
