View a markdown version of this page

Konstruieren Sie einen SageMaker AI-XGBoost ModelTrainer mit der Debugger-Regel für den XGBoost-Bericht - 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.

Konstruieren Sie einen SageMaker AI-XGBoost ModelTrainer mit der Debugger-Regel für den XGBoost-Bericht

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 CreateXgboostReport Regel erfasst die folgenden Ausgangstensoren aus Ihrem Trainingsauftrag:

  • hyperparameters – Speichert im ersten Schritt.

  • metrics – Speichert alle 5 Schritte Verlust und Genauigkeit.

  • feature_importance – Speichert alle 5 Schritte.

  • predictions – Speichert alle 5 Schritte.

  • labels – Speichert alle 5 Schritte.

Die Ausgabetensoren werden in einem Standard-S3-Bucket gespeichert. Beispiel, s3://sagemaker-<region>-<12digit_account_id>/<base-job-name>/debug-output/.

Wenn Sie eine SageMaker KI ModelTrainer für einen XGBoost-Trainingsjob erstellen, geben Sie die Regel an, wie im folgenden Beispielcode gezeigt.

import boto3
import sagemaker
from sagemaker.train import ModelTrainer
from sagemaker import image_uris
from sagemaker.debugger import Rule, rule_configs

rules=[
    Rule.sagemaker(rule_configs.create_xgboost_report())
]

region = boto3.Session().region_name
xgboost_container=sagemaker.image_uris.retrieve("xgboost", region, "1.2-1")

model_trainer=ModelTrainer(
    role=sagemaker.get_execution_role()
    image_uri=xgboost_container,
    base_job_name="debugger-xgboost-report-demo",
    instance_count=1,
    instance_type="ml.m5.2xlarge",
    
    # Add the Debugger XGBoost report rule
    rules=rules
)

model_trainer.train()