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.
Frameworks et algorithmes pris en charge
Le tableau suivant présente les frameworks et algorithmes d'apprentissage automatique basés sur l' SageMaker IA pris en charge par Debugger.
| SageMaker AI-supported frameworks and algorithms | Debugging output tensors |
|---|---|
|
AWS TensorFlow conteneurs de deep learning |
|
|
AWS PyTorch conteneurs de deep learning |
|
|
AWS MXNet conteneurs de deep learning |
|
|
1,0-1, 1,2-1, 1,3-1 |
|
|
Conteneurs de formation personnalisés (disponibles pour TensorFlow PyTorch, MXNet, et XGBoost avec enregistrement manuel des crochets) |
-
Débogage des tenseurs de sortie : suivez et déboguez les paramètres du modèle, tels que les pondérations, les gradients, les biais et les valeurs scalaires de votre tâche d'entraînement. Les frameworks de deep learning disponibles sont Apache MXNet TensorFlow, PyTorch, et XGBoost.
Important
Pour le TensorFlow framework avec Keras, SageMaker Debugger déconseille la prise en charge du zéro changement de code pour les modèles de débogage créés à l'aide des modules de 2.6 et versions ultérieures.
tf.kerasTensorFlow Cela est dû aux modifications majeures annoncées dans la note de publication de la TensorFlow version 2.6.0. Pour obtenir des instructions de mise à jour de votre script d'entraînement, consultez Adaptez votre script TensorFlow d'entraînement. Important
À partir de la PyTorch version v1.12.0 et des versions ultérieures, SageMaker Debugger déconseille la prise en charge du zéro changement de code pour les modèles de débogage.
Cela est dû à des modifications importantes qui font en sorte que SageMaker Debugger interfère avec les
torch.jitfonctionnalités. Pour obtenir des instructions de mise à jour de votre script d'entraînement, consultez Adaptez votre script PyTorch d'entraînement.
Si le framework ou l'algorithme que vous souhaitez entraîner et déboguer ne figure pas dans le tableau, rendez-vous sur le forum de AWS discussion
Régions AWS
Amazon SageMaker Debugger est disponible dans toutes les régions où Amazon SageMaker AI est en service, à l'exception de la région suivante.
Asie-Pacifique (Jakarta) :
ap-southeast-3
Pour savoir si Amazon SageMaker AI est en service dans votre région Région AWS, consultez la section Services AWS régionaux
Utiliser Debugger avec des conteneurs d'entraînement personnalisés
Intégrez vos conteneurs de formation à l' SageMaker IA et obtenez des informations sur vos tâches de formation à l'aide de Debugger. Maximisez l'efficacité de votre travail en optimisant votre modèle sur les EC2 instances Amazon à l'aide des fonctionnalités de surveillance et de débogage.
Pour savoir comment créer votre conteneur d'entraînement avec la bibliothèque client sagemaker-debugger, le transmettre à Amazon Elastic Container Registry (Amazon ECR) et le contrôler et le déboguer, consultez Utiliser Debugger avec des conteneurs de formation personnalisés.
Référentiels open source Debugger GitHub
APIs Les débogueurs sont fournis via le SDK SageMaker Python et conçus pour créer des configurations de crochets et de règles de débogage pour les opérations d'IA et d'API. SageMaker CreateTrainingJob DescribeTrainingJob La bibliothèque client sagemaker-debugger fournit des outils pour enregistrer des hooks et accéder aux données d'entraînement via sa fonction d'essai, le tout grâce à ses opérations d'API flexibles et puissantes. Il prend en charge les frameworks d'apprentissage automatique TensorFlow PyTorch, MXNet, et XGBoost sur Python 3.6 et versions ultérieures.
Pour obtenir des ressources directes sur Debugger et les opérations d'API sagemaker-debugger, consultez les liens suivants :
Si vous utilisez le SDK for Java pour SageMaker effectuer des tâches de formation et souhaitez configurer APIs Debugger, consultez les références suivantes :
