Exemples de blocs-notes Debugger - Amazon SageMaker

Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.

Exemples de blocs-notes Debugger

SageMaker Des exemples de blocs-notes de débogage sont fournis dans le référentiel aws/. amazon-sagemaker-examples Les exemples de blocs-notes Debugger vous présentent des cas d'utilisation de niveau basique à avancé de tâches d'entraînement de débogage et de profilage.

Nous vous recommandons d'exécuter les exemples de blocs-notes sur SageMaker Studio ou sur une instance de SageMaker Notebook, car la plupart des exemples sont conçus pour les tâches de formation dans l' SageMaker écosystème, notamment AmazonEC2, Amazon S3 et Amazon SageMaker PythonSDK.

Pour cloner l'exemple de référentiel dans SageMaker Studio, suivez les instructions d'Amazon SageMaker Studio Tour.

Pour trouver les exemples dans une instance de SageMaker Notebook, suivez les instructions de la section SageMaker Notebook Instance Example Notebooks.

Important

Pour utiliser les nouvelles fonctionnalités du Debugger, vous devez mettre à niveau le SageMaker Python SDK et la bibliothèque SMDebug cliente. Dans votre iPython noyau, Jupyter Notebook ou JupyterLab environnement, exécutez le code suivant pour installer les dernières versions des bibliothèques et redémarrer le noyau.

import sys import IPython !{sys.executable} -m pip install -U sagemaker smdebug IPython.Application.instance().kernel.do_shutdown(True)

Exemples de blocs-notes de débogage pour le profilage des tâches de formation

La liste suivante contient des exemples de blocs-notes Debugger présentant l'adaptabilité de Debugger au contrôle et au profilage des tâches d'entraînement pour divers modèles de machine learning, jeux de données et cadres.

Titre du bloc-notes Framework Modèle Jeux de données Description

Analyse des données de profilage Amazon SageMaker Debugger

TensorFlow

Keras 50 ResNet

Cifar-10

Ce carnet fournit une introduction à l'analyse interactive des données profilées capturées par SageMaker Debugger. Explorez toutes les fonctionnalités des outils d'analyse interactifs SMDebug.

Formation à l'apprentissage automatique des profils avec Amazon SageMaker Debugger

TensorFlow

Réseau neuronal convolutif 1-D

IMDBjeu de données

Profilez un TensorFlow 1-D CNN pour l'analyse des sentiments à IMDB partir de données composées de critiques de films étiquetées comme ayant un sentiment positif ou négatif. Explorez les informations de Studio Debugger et le rapport de profilage de Debugger.

Profilage TensorFlow ResNet du modèle d'entraînement avec différents paramètres d'entraînement distribués

TensorFlow

ResNet50 Cifar-10

Exécutez des tâches de TensorFlow formation avec différents paramètres d'entraînement distribués, surveillez l'utilisation des ressources du système et profilez les performances du modèle à l'aide de Debugger.

Profilage PyTorch ResNet du modèle d'entraînement avec différents paramètres d'entraînement distribués

PyTorch

ResNet50

Cifar-10

Exécutez des tâches de PyTorch formation avec différents paramètres d'entraînement distribués, surveillez l'utilisation des ressources du système et profilez les performances du modèle à l'aide de Debugger.

Exemples de blocs-notes de débogage pour analyser les paramètres du modèle

La liste suivante contient des exemples de blocs-notes Debugger présentant l'adaptabilité de Debugger au débogage des tâches d'entraînement pour divers modèles de machine learning, jeux de données et cadres.

Titre du bloc-notes Framework Modèle Jeux de données Description

Amazon SageMaker Debugger - Utiliser une règle intégrée

TensorFlow

Réseau neuronal convolutif

MNIST

Utilisez les règles intégrées d'Amazon SageMaker Debugger pour déboguer un modèle. TensorFlow

SageMaker Débogueur Amazon - Tensorflow 2.1

TensorFlow

ResNet50

Cifar-10

Utilisez la configuration du hook Amazon SageMaker Debugger et les règles intégrées pour déboguer un modèle avec le framework Tensorflow 2.1.

Visualisation des tenseurs de débogage de l'entraînement MXNet

MXNet

Réseau neuronal convolutif Gluon

Mode MNIST

Exécutez une tâche de formation et configurez SageMaker Debugger pour stocker tous les tenseurs de cette tâche, puis visualisez ces tenseurs dans un bloc-notes.

Activez la formation ponctuelle avec Amazon SageMaker Debugger

MXNet

Réseau neuronal convolutif Gluon

Mode MNIST

Découvrez comment Debugger collecte des données de tenseurs à partir d'une tâche d'entraînement sur une instance Spot, et comment utiliser les règles intégrées de Debugger avec un entraînement Spot géré.

Expliquer un XGBoost modèle qui prédit le revenu d'un individu avec Amazon SageMaker Debugger XGBoost

XGBoostRégression

Jeu de données du recensement des adultes

Apprenez à utiliser le hook Debugger et les règles intégrées pour collecter et visualiser les données tensorielles d'un modèle de XGBoost régression, telles que les valeurs de perte, les caractéristiques et les valeurs. SHAP

Pour trouver des visualisations avancées des paramètres de modèle et des cas d'utilisation, consultez la rubrique suivante : Démonstrations et visualisation avancées de Debugger.