Vidéos du didacticiel sur le débogueur

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.

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.

Les vidéos suivantes présentent les fonctionnalités d'Amazon SageMaker Debugger à l'aide de SageMaker Studio et d'instances de bloc-notes SageMaker AI.

Débogage de modèles avec Amazon SageMaker Debugger dans Studio Classic

Julien Simon, AWS Technical Evangelist | Durée : 14 minutes 17 secondes

Ce didacticiel vidéo explique comment utiliser Amazon SageMaker Debugger pour capturer et inspecter les informations de débogage à partir d'un modèle de formation. L'exemple de modèle d'entraînement utilisé dans cette vidéo est un réseau neuronal convolutionnel (CNN) simple basé sur Keras avec le backend. TensorFlow SageMaker AI in a TensorFlow framework et Debugger vous permettent de créer un estimateur directement à l'aide du script de formation et de déboguer la tâche de formation.

Vous pouvez trouver l'exemple de bloc-notes dans la vidéo dans ce référentiel Studio Demo fourni par l'auteur. Vous devez cloner le fichier du debugger.ipynb bloc-notes et le script d'mnist_keras_tf.pyentraînement dans votre SageMaker studio ou sur une instance de SageMaker bloc-notes. Après avoir cloné les deux fichiers, spécifiez le chemin d'accès mnist_keras_tf.py au fichier keras_script_path à l'intérieur du bloc-notes debugger.ipynb. Par exemple, si vous avez cloné les deux fichiers dans le même répertoire, définissez-le comme suit : keras_script_path = "mnist_keras_tf.py".

Présentation approfondie d'Amazon SageMaker Debugger et du moniteur de modèles SageMaker AI

Julien Simon, AWS Technical Evangelist | Durée : 44 minutes 34 secondes

Cette session vidéo explore les fonctionnalités avancées du Debugger et du SageMaker Model Monitor qui contribuent à améliorer la productivité et la qualité de vos modèles. Tout d'abord, cette vidéo montre comment détecter et résoudre les problèmes d'entraînement, visualiser des tenseurs et améliorer les modèles avec Debugger. Ensuite, à 22h41, la vidéo montre comment surveiller les modèles en production et identifier les problèmes de prédiction tels que les fonctionnalités manquantes ou la dérive des données à l'aide d' SageMaker AI Model Monitor. Enfin, la vidéo vous offre des conseils d'optimisation des coûts pour vous aider à tirer le meilleur parti de votre budget de machine learning.

Vous trouverez l'exemple de bloc-notes de la vidéo dans ce référentiel AWS Dev Days 2020 offert par l'auteur.