View a markdown version of this page

Beispiel-Notebooks und Codebeispiele zur Konfiguration des Debugger-Hooks - Amazon SageMaker KI
Beispiel-Notebooks für TensorvisualisierungenSpeichern von Tensoren mit integrierten Debugger-SammlungenSpeichern von Tensoren mit integrierten Debugger-SammlungenSpeichern von reduzierten Tensoren mit benutzerdefinierten Debugger-Sammlungen

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.

Beispiel-Notebooks und Codebeispiele zur Konfiguration des Debugger-Hooks

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 Abschnitte enthalten Notebooks und Codebeispiele zur Verwendung des Debugger-Hooks zum Speichern, Zugreifen und Visualisieren von Ausgabetensoren.

Beispiel-Notebooks für Tensorvisualisierungen

Die folgenden beiden Notebook-Beispiele zeigen die fortgeschrittene Verwendung von Amazon SageMaker Debugger zur Visualisierung von Tensoren. Der Debugger bietet einen transparenten Einblick in das Training von Deep-Learning-Modellen.

  • Interaktive Tensoranalyse in SageMaker Studio Notebook mit MXNet

    Dieses Notebook-Beispiel zeigt, wie gespeicherte Tensoren mit Amazon Debugger visualisiert werden. SageMaker Durch die Visualisierung der Tensoren können Sie leicht sehen, wie sich die Tensorwerte ändern, während Sie Deep-Learning-Algorithmen trainieren. Dieses Notizbuch beinhaltet einen Trainingsjob mit einem schlecht konfigurierten neuronalen Netzwerk und verwendet Amazon SageMaker Debugger, um Tensoren, einschließlich Gradienten, Aktivierungsausgaben und Gewichtungen, zu aggregieren und zu analysieren. Das folgende Diagramm zeigt beispielsweise die Verteilung der Gradienten eines Convolutional Layers (faltenden Layers), bei dem ein Problem in Zusammenhang mit dem Verschwinden des Gradienten vorliegt.

    Ein Diagramm, das die Verteilung der Gradienten darstellt.

    Dieses Notebooks veranschaulicht auch, wie eine gute anfängliche Hyperparametereinstellung den Trainingsprozess verbessert, indem die gleichen Tensorverteilungsdiagramme generiert werden.

  • Visualisieren und Debuggen von Tensoren aus dem MXNet-Modelltraining

    Dieses Notebook-Beispiel zeigt, wie Tensoren aus einem MXNet-Gluon-Modell-Trainingsjob mithilfe von Amazon Debugger gespeichert und visualisiert werden. SageMaker Es zeigt, dass Debugger so eingestellt ist, dass er alle Tensoren in einem Amazon S3-Bucket speichert und Aktivierungsausgaben für die Visualisierung abruft ReLu . Die folgende Abbildung zeigt eine dreidimensionale Visualisierung der ReLu Aktivierungsausgaben. Im Hinblick auf das Farbschema bedeutet Blau, dass es sich um Werte nahe 0 handelt, und Gelb, dass die Werte nahe 1 sind.

    Eine Visualisierung der ReLU-Aktivierungsausgänge.

    In diesem Notebook ist die aus tensor_plot.py importierte TensorPlot-Klasse so konzipiert, dass sie Convolutional Neural Networks (CNNs) mit zweidimensionalen Bildern als Eingabe plottet. Das mit dem Notebook gelieferte tensor_plot.py Skript ruft mit Debugger Tensoren ab und visualisiert das CNN. Sie können dieses Notebook in SageMaker Studio ausführen, um die Tensorvisualisierung zu reproduzieren und Ihr eigenes Faltungsmodell für neuronale Netzwerke zu implementieren.

  • Real-time Tensoranalyse in einem Notebook mit MXNet SageMaker

    Dieses Beispiel führt Sie durch die Installation der erforderlichen Komponenten für die Ausgabe von Tensoren in einem SageMaker Amazon-Schulungsjob und die Verwendung der Debugger-API-Operationen, um während des Trainings auf diese Tensoren zuzugreifen. Ein Gluon-CNN-Modell wird mit dem Fashion MNIST-Datensatz trainiert. Während der Auftrag ausgeführt wird, werden Sie sehen, wie der Debugger die Aktivierungsausgaben der ersten Faltungsschicht aus jedem der 100 Batches abruft und sie visualisiert. Außerdem erfahren Sie, wie Sie Gewichte nach Abschluss der Arbeit visualisieren.

Speichern von Tensoren mit integrierten Debugger-Sammlungen

Sie können integrierte Sammlungen von Tensoren mithilfe der CollectionConfig API verwenden und sie mithilfe der DebuggerHookConfig API speichern. Das folgende Beispiel zeigt, wie die Standardeinstellungen von Debugger-Hook-Konfigurationen verwendet werden, um einen KI-Schätzer zu erstellen. SageMaker TensorFlow Sie können dies auch für MXNet- und PyTorch XGBoost-Schätzer verwenden.

Anmerkung

Im folgenden Beispielcode ist der s3_output_path Parameter für DebuggerHookConfig optional. Wenn Sie es nicht angeben, speichert der Debugger die Tensoren unters3://<output_path>/debug-output/, wobei das der Standardausgabepfad für <output_path> Trainingsjobs ist. SageMaker Beispiel:

"s3://sagemaker-us-east-1-111122223333/sagemaker-debugger-training-YYYY-MM-DD-HH-MM-SS-123/debug-output"
import boto3
import sagemaker
from sagemaker.train import ModelTrainer
from sagemaker.core.debugger import DebuggerHookConfig, CollectionConfig
from sagemaker.core.helper.session_helper import Session, get_execution_role

# use Debugger CollectionConfig to call built-in collections
collection_configs=[
        CollectionConfig(name="weights"),
        CollectionConfig(name="gradients"),
        CollectionConfig(name="losses"),
        CollectionConfig(name="biases")
    ]

# configure Debugger hook
# set a target S3 bucket as you want
sagemaker_session=Session()
BUCKET_NAME=sagemaker_session.default_bucket()
LOCATION_IN_BUCKET='debugger-built-in-collections-hook'

hook_config=DebuggerHookConfig(
    s3_output_path='s3://{BUCKET_NAME}/{LOCATION_IN_BUCKET}'.
                    format(BUCKET_NAME=BUCKET_NAME, 
                           LOCATION_IN_BUCKET=LOCATION_IN_BUCKET),
    collection_configs=collection_configs
)

from sagemaker.core import image_uris
from sagemaker.train.configs import SourceCode, Compute

training_image = image_uris.retrieve(
    framework="tensorflow",
    region=boto3.Session().region_name,
    version="2.9.0",
    py_version="py39",
    instance_type="ml.p3.2xlarge",
    image_scope="training"
)

# construct a SageMaker ModelTrainer
sagemaker_model_trainer=ModelTrainer(
    training_image=training_image,
    source_code=SourceCode(entry_script='directory/to/your_training_script.py'),
    role=get_execution_role(),
    base_job_name='debugger-demo-job',
    compute=Compute(instance_type="ml.p3.2xlarge", instance_count=1),
    
    # debugger-specific hook argument below
    debugger_hook_config=hook_config
)

sagemaker_model_trainer.train()

Eine Liste der in Debugger integrierten Sammlungen finden Sie unter Debugger-Sammlungen. Built-in

Speichern von Tensoren mit integrierten Debugger-Sammlungen

Sie können die integrierten Debugger-Sammlungen mithilfe der CollectionConfig API-Operation ändern. Das folgende Beispiel zeigt, wie Sie die integrierte losses Sammlung optimieren und einen SageMaker KI-Schätzer erstellen. TensorFlow Sie können dies auch für MXNet- und PyTorch XGBoost-Schätzer verwenden.

import boto3
import sagemaker
from sagemaker.train import ModelTrainer
from sagemaker.core.debugger import DebuggerHookConfig, CollectionConfig
from sagemaker.core.helper.session_helper import Session, get_execution_role

# use Debugger CollectionConfig to call and modify built-in collections
collection_configs=[
    CollectionConfig(
                name="losses", 
                parameters={"save_interval": "50"})]

# configure Debugger hook
# set a target S3 bucket as you want
sagemaker_session=Session()
BUCKET_NAME=sagemaker_session.default_bucket()
LOCATION_IN_BUCKET='debugger-modified-collections-hook'

hook_config=DebuggerHookConfig(
    s3_output_path='s3://{BUCKET_NAME}/{LOCATION_IN_BUCKET}'.
                    format(BUCKET_NAME=BUCKET_NAME, 
                           LOCATION_IN_BUCKET=LOCATION_IN_BUCKET),
    collection_configs=collection_configs
)

from sagemaker.core import image_uris
from sagemaker.train.configs import SourceCode, Compute

training_image = image_uris.retrieve(
    framework="tensorflow",
    region=boto3.Session().region_name,
    version="2.9.0",
    py_version="py39",
    instance_type="ml.p3.2xlarge",
    image_scope="training"
)

# construct a SageMaker ModelTrainer
sagemaker_model_trainer=ModelTrainer(
    training_image=training_image,
    source_code=SourceCode(entry_script='directory/to/your_training_script.py'),
    role=get_execution_role(),
    base_job_name='debugger-demo-job',
    compute=Compute(instance_type="ml.p3.2xlarge", instance_count=1),
    
    # debugger-specific hook argument below
    debugger_hook_config=hook_config
)

sagemaker_model_trainer.train()

Eine vollständige Liste der CollectionConfig Parameter finden Sie unter Debugger-API. CollectionConfig

Speichern von reduzierten Tensoren mit benutzerdefinierten Debugger-Sammlungen

Sie können auch eine reduzierte Anzahl an Tensoren anstelle des vollständigen Satzes von Tensoren speichern, um beispielsweise die in Ihrem Amazon-S3-Bucket gespeicherte Datenmenge zu verringern. Das folgende Beispiel zeigt, wie Sie die Debugger-Hook-Konfiguration ändern, um Zieltensoren zum Speichern anzugeben. Sie können dies für MXNet TensorFlow - und PyTorch XGBoost-Schätzer verwenden.

import boto3
import sagemaker
from sagemaker.train import ModelTrainer
from sagemaker.core.debugger import DebuggerHookConfig, CollectionConfig
from sagemaker.core.helper.session_helper import Session, get_execution_role

# use Debugger CollectionConfig to create a custom collection
collection_configs=[
        CollectionConfig(
            name="custom_activations_collection",
            parameters={
                "include_regex": "relu|tanh", # Required
                "reductions": "mean,variance,max,abs_mean,abs_variance,abs_max"
            })
    ]
    
# configure Debugger hook
# set a target S3 bucket as you want
sagemaker_session=Session()
BUCKET_NAME=sagemaker_session.default_bucket()
LOCATION_IN_BUCKET='debugger-custom-collections-hook'

hook_config=DebuggerHookConfig(
    s3_output_path='s3://{BUCKET_NAME}/{LOCATION_IN_BUCKET}'.
                    format(BUCKET_NAME=BUCKET_NAME, 
                           LOCATION_IN_BUCKET=LOCATION_IN_BUCKET),
    collection_configs=collection_configs
)

from sagemaker.core import image_uris
from sagemaker.train.configs import SourceCode, Compute

training_image = image_uris.retrieve(
    framework="tensorflow",
    region=boto3.Session().region_name,
    version="2.9.0",
    py_version="py39",
    instance_type="ml.p3.2xlarge",
    image_scope="training"
)

# construct a SageMaker ModelTrainer
sagemaker_model_trainer=ModelTrainer(
    training_image=training_image,
    source_code=SourceCode(entry_script='directory/to/your_training_script.py'),
    role=get_execution_role(),
    base_job_name='debugger-demo-job',
    compute=Compute(instance_type="ml.p3.2xlarge", instance_count=1),
    
    # debugger-specific hook argument below
    debugger_hook_config=hook_config
)

sagemaker_model_trainer.train()

Eine vollständige Liste der CollectionConfig Parameter finden Sie unter Debugger. CollectionConfig