Videotutoriales sobre el depurador

Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.

Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.

En los siguientes vídeos se ofrece un recorrido por las capacidades de Amazon SageMaker Debugger mediante instancias de notebook SageMaker Studio y SageMaker AI.

Depuración de modelos con Amazon SageMaker Debugger en Studio Classic

Julien Simon, evangelista AWS técnico | Duración: 14 minutos y 17 segundos

En este vídeo tutorial se muestra cómo utilizar Amazon SageMaker Debugger para capturar e inspeccionar la información de depuración de un modelo de formación. El ejemplo de modelo de entrenamiento utilizado en este vídeo es una red neuronal convolucional simple (CNN) basada en Keras con el backend. TensorFlow SageMaker La IA en un TensorFlow framework y Debugger permiten crear un estimador directamente utilizando el guion de entrenamiento y depurar el trabajo de entrenamiento.

Encontrará el bloc de notas de ejemplo en el vídeo de este repositorio de demostración de Studio proporcionado por el autor. Debe clonar el archivo del debugger.ipynb cuaderno y el guion de mnist_keras_tf.py entrenamiento en su SageMaker Studio o en una instancia de SageMaker bloc de notas. Después de clonar los dos archivos, especifique la ruta de acceso keras_script_path al archivo mnist_keras_tf.py dentro del bloc de notas debugger.ipynb. Por ejemplo, si clona los dos archivos en el mismo directorio, establézcalo como keras_script_path = "mnist_keras_tf.py".

Profundice en Amazon SageMaker Debugger y el monitor de modelos de SageMaker IA

Julien Simon, evangelista AWS técnico | Duración: 44 minutos y 34 segundos

Esta sesión de vídeo explora las funciones avanzadas de Debugger y SageMaker Model Monitor que ayudan a aumentar la productividad y la calidad de sus modelos. En primer lugar, este vídeo muestra cómo detectar y corregir problemas de entrenamiento, visualizar tensores y mejorar modelos con el depurador. A continuación, a las 22:41, el vídeo muestra cómo monitorizar los modelos en producción e identificar problemas de predicción, como la falta de funciones o la desviación de datos, mediante SageMaker AI Model Monitor. Por último, ofrece consejos de optimización de costos para ayudarle a sacar el máximo partido a su presupuesto de machine learning.

Encontrará el cuaderno de ejemplo en el vídeo en este repositorio de AWS Dev Days 2020 ofrecido por el autor.