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.
Utilice Amazon SageMaker Debugger para depurar y mejorar el rendimiento del modelo
Depure los tensores de salida de los modelos de los trabajos de formación en aprendizaje automático en tiempo real y detecte problemas no convergentes con Amazon Debugger. SageMaker
Características de Amazon SageMaker Debugger
Es posible que un trabajo de entrenamiento sobre el machine learning (ML) presente problemas de sobreajuste, saturación de las funciones de activación y desaparición de los gradientes, lo cual podría comprometer el desempeño del modelo.
SageMaker Debugger proporciona herramientas para depurar los trabajos de entrenamiento y resolver estos problemas a fin de mejorar el rendimiento del modelo. El depurador también ofrece herramientas capaces de enviar alertas en caso de detectar anomalías durante el entrenamiento, tomar medidas para resolver los problemas e identificar la causa raíz de los mismos mediante la visualización de las métricas y los tensores recopilados.
SageMaker Debugger es compatible con los marcos Apache MXNet PyTorch y XGBoost. TensorFlow Para obtener más información sobre los marcos disponibles y las versiones compatibles SageMaker con Debugger, consulte. Marcos y algoritmos compatibles
El flujo de trabajo del depurador de alto nivel es el siguiente:
-
Modifique su script de entrenamiento con el Python SDK del
sagemaker-debuggersi es necesario. -
Configure un trabajo SageMaker de formación con SageMaker Debugger.
-
Configure mediante la API SageMaker Estimator (para Python SDK).
-
Configure mediante la SageMaker
CreateTrainingJobsolicitud (para Boto3 o CLI). -
Configure contenedores de entrenamiento personalizados con Debugger SageMaker .
-
-
Inicie un trabajo de entrenamiento y supervise los problemas de entrenamiento en tiempo real.
-
Reciba alertas y tome medidas rápidas en caso de problemas relacionados con el entrenamiento.
-
Reciba mensajes de texto y correos electrónicos y detenga los trabajos de entrenamiento en caso de que se hayan detectado problemas de entrenamiento con Acciones integradas del depurador para las reglas.
-
Configure sus propias acciones con Amazon CloudWatch Events y AWS Lambda.
-
-
Conozca detalladamente el análisis de los problemas de entrenamiento.
-
Para depurar los tensores de salida del modelo, consulte Visualice los tensores de salida del depurador en TensorBoard.
-
-
Solucione los problemas, tenga en cuenta las sugerencias proporcionadas por el depurador y repita los pasos 1 a 5 hasta optimizar el modelo y lograr la precisión deseada.
La guía para desarrolladores de SageMaker Debugger explica los siguientes temas.
Temas
- Marcos y algoritmos compatibles
- Arquitectura de Amazon SageMaker Debugger
- Tutoriales de introducción al depurador
- Depure trabajos de formación con Amazon SageMaker Debugger
- Lista de reglas integradas del depurador
- Cree reglas personalizadas del depurador para análisis de trabajos de entrenamiento
- Uso del depurador con contenedores de entrenamiento personalizados
- Configurar el depurador mediante la API de Amazon SageMaker
- Prácticas recomendadas para Amazon SageMaker Debugger
- Documentación de referencia y temas avanzados de Amazon SageMaker Debugger
