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
SageMaker Beispiel-Notebooks für Debugger
Wir empfehlen, dass Sie die Beispiel-Notebooks auf SageMaker Studio oder einer SageMaker Notebook-Instance ausführen, da die meisten Beispiele für Schulungsaufgaben im SageMaker Ökosystem konzipiert sindEC2, einschließlich Amazon, Amazon S3 und Amazon SageMaker PythonSDK.
Um das Beispiel-Repository in SageMaker Studio zu klonen, folgen Sie den Anweisungen auf Amazon SageMaker Studio Tour.
Um die Beispiele in einer SageMaker Notebook-Instance zu finden, folgen Sie den Anweisungen unter SageMaker Notebook-Instance-Beispiel-Notebooks.
Wichtig
Um die neuen Debugger-Funktionen verwenden zu können, müssen Sie 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 | Beschreibung |
|---|---|---|---|---|
|
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 |
|
|
Profiltraining für maschinelles Lernen mit Amazon SageMaker Debugger |
TensorFlow |
Neuronales 1-D-Faltungsnetzwerk |
IMDBDatensatz |
Erstellen Sie ein TensorFlow 1-D-Profil 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 Profil der Modellleistung. |
|
| 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 Profil der Modellleistung. |
Beispiel-Notebooks für Debugger 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 | Beschreibung |
|---|---|---|---|---|
|
TensorFlow |
Konvolutionelles neuronales Netzwerk |
MNIST |
Verwenden Sie die integrierten Regeln von Amazon SageMaker Debugger zum Debuggen eines TensorFlow Modells. |
|
|
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. |
|
|
Visualisieren von Debugging-Tensoren während des Trainings MXNet |
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, und 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 mit Amazon SageMaker Debugger ein XGBoost Modell, das das Einkommen einer Person vorhersagt |
XGBoost |
XGBoostRegression |
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 Werte. SHAP |
Erweiterte Visualisierungen von Modellparametern und Anwendungsfällen finden Sie im nächsten Thema unter Erweiterte Demos und Visualisierungen im Debugger.
