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.

Videos mit Debugger-Tutorials

Die folgenden Videos bieten einen Überblick über die Funktionen von Amazon SageMaker Debugger mithilfe von SageMaker Studio- und SageMaker Notebook-Instances.

Debuggen von Modellen mit Amazon SageMaker Debugger in Studio Classic

Julien Simon, AWS Technischer Evangelist | Dauer: 14 Minuten 17 Sekunden

Dieses Tutorial-Video zeigt, wie Sie Amazon SageMaker Debugger verwenden, um Debugging-Informationen aus einem Trainingsmodell zu erfassen und zu überprüfen. Das in diesem Video verwendete Beispiel-Trainingsmodell ist ein einfaches neuronales Faltungsnetzwerk (CNN), das auf Keras mit dem Backend basiert. TensorFlow SageMaker in einem TensorFlow Framework und einem Debugger können Sie mithilfe des Trainingsskripts direkt einen Schätzer erstellen und den Trainingsjob debuggen.

Sie finden das Beispiel-Notebook im Video in diesem vom Autor bereitgestellten Studio-Demo-Repository. Sie müssen die debugger.ipynb Notebook-Datei und das mnist_keras_tf.py Trainingsskript in Ihr SageMaker Studio oder eine SageMaker Notebook-Instance klonen. Nachdem Sie die beiden Dateien geklont haben, geben Sie den Pfad keras_script_path zur mnist_keras_tf.py-Datei im debugger.ipynb-Notebook an. Wenn Sie die beiden Dateien im selben Verzeichnis geklont haben, legen Sie sie als keras_script_path = "mnist_keras_tf.py" fest.

Tiefer Einblick in Amazon SageMaker Debugger und SageMaker Modellmonitor

Julien Simon, AWS Technischer Evangelist | Dauer: 44 Minuten 34 Sekunden

In dieser Videositzung werden die erweiterten Funktionen von Debugger und SageMaker Model Monitor vorgestellt, mit denen Sie die Produktivität und Qualität Ihrer Modelle steigern können. Zunächst zeigt dieses Video, wie Sie Trainingsprobleme erkennen und beheben, Tensoren visualisieren und Modelle mit Debugger verbessern können. Als Nächstes, um 22:41 Uhr, zeigt das Video, wie Sie Modelle in der Produktion überwachen und Prognoseprobleme wie fehlende Funktionen oder Datenabweichungen mithilfe von SageMaker Model Monitor identifizieren können. Schließlich bietet es Tipps zur Kostenoptimierung, sodass Sie Ihr Machine-Learning-Budget optimal nutzen können.

Sie finden das Beispiel-Notebook im Video in diesem vom Autor bereitgestellten AWS Dev Days 2020 repository.