Adapte su guion PyTorch de entrenamiento

Creación de un enlace.

(Recomendado) Para trabajos de formación en SageMaker

import smdebug.pytorch as smd
hook=smd.get_hook(create_if_not_exists=True)

Cuando lanzas un trabajo de formación Paso 2: Lanzar y depurar trabajos de entrenamiento con Python SageMaker SDK con alguna de las DebuggerHookConfig reglas o reglas de tu estimador, SageMaker añades un archivo de configuración JSON a la instancia de entrenamiento que recoge la get_hook función. TensorBoardConfig Tenga en cuenta que si no incluye ninguna de las API de configuración en su estimador, el enlace no podrá encontrar ningún archivo de configuración y la función devolverá None.

(Opcional) Para trabajos de formación externos SageMaker

Si ejecuta tareas de formación en modo local, directamente en instancias de SageMaker Notebook, instancias de Amazon EC2 o sus propios dispositivos locales, utilice smd.Hook class para crear un enlace. Sin embargo, este enfoque solo puede almacenar las colecciones de tensores y utilizarlas para TensorBoard la visualización. SageMaker Las reglas integradas en Debugger no funcionan con el modo local porque requieren instancias de entrenamiento de aprendizaje SageMaker automático y S3 para almacenar los resultados de las instancias remotas en tiempo real. En este caso, la API smd.get_hook devolverá None.

Si quiere crear un enlace manual para guardar los tensores en modo local, use el siguiente fragmento de código con la lógica para comprobar si la API smd.get_hook devuelve None y cree un enlace manual con la clase smd.Hook. Tenga en cuenta que puede especificar cualquier directorio de salida en su máquina local.

import smdebug.pytorch as smd
hook=smd.get_hook(create_if_not_exists=True)

if hook is None:
    hook=smd.Hook(
        out_dir='/path/to/your/local/output/',
        export_tensorboard=True
    )

Encapsule su modelo con los métodos de clase del enlace.

El método hook.register_module() toma el modelo y recorre cada capa en iteración, buscando tensores que coincidan con las expresiones regulares que proporcionarás a lo largo de la configuración en Paso 2: Lanzar y depurar trabajos de entrenamiento con Python SageMaker SDK. Los tensores que pueden recopilarse mediante este método de enlace son ponderaciones, sesgos, activaciones, gradientes, entradas y salidas.

hook.register_module(model)

Encapsule la función de pérdida con los métodos de clase del enlace.

El método hook.register_loss consiste en ajustar la función de pérdida. Extrae todos los valores de pérdida cada save_interval que haya establecido durante la configuración Paso 2: Lanzar y depurar trabajos de entrenamiento con Python SageMaker SDK, y los guarda en la colección "losses".

hook.register_loss(loss_function)

Añada hook.set_mode(ModeKeys.TRAIN) al bloque de trenes. Esto indica que la colección de tensores se extrae durante la fase de entrenamiento.

def train():
    ...
    hook.set_mode(ModeKeys.TRAIN)

Añada hook.set_mode(ModeKeys.EVAL) al bloque de validación. Esto indica que la colección de tensores se extrae durante la fase de validación.

def validation():
    ...
    hook.set_mode(ModeKeys.EVAL)

Utilice hook.save_scalar() para guardar escalares personalizados. Puede guardar valores escalares que no estén en el modelo. Por ejemplo, si desea registrar los valores de precisión calculados durante la evaluación, añada la siguiente línea de código debajo de la línea en la que calcula la precisión.

hook.save_scalar("accuracy", accuracy)

Tenga en cuenta que debe proporcionar una cadena como primer argumento para nombrar la colección escalar personalizada. Este es el nombre que se usará para visualizar los valores escalares y puede ser cualquier cadena que desees. TensorBoard

Utilice hook.save_tensor() para guardar tensores personalizados. Del mismo modo que hook.save_scalar(), puede guardar tensores adicionales y definir su propia colección de tensores. Por ejemplo, puede extraer los datos de imagen de entrada que se pasan al modelo y guardarlos como un tensor personalizado añadiendo la siguiente línea de código, donde "images" es un nombre de ejemplo del tensor personalizado, image_inputs es una variable de ejemplo para los datos de la imagen de entrada.

hook.save_tensor("images", image_inputs)

Tenga en cuenta que debe proporcionar una cadena al primer argumento para nombrar el tensor personalizado. hook.save_tensor() tiene el tercer argumento collections_to_write para especificar la colección de tensores para guardar el tensor personalizado. El valor predeterminado es collections_to_write="default". Si no especifica explícitamente el tercer argumento, el tensor personalizado se guardará en la colección de tensores "default".