Sélectionner vos préférences de cookies

Nous utilisons des cookies essentiels et des outils similaires qui sont nécessaires au fonctionnement de notre site et à la fourniture de nos services. Nous utilisons des cookies de performance pour collecter des statistiques anonymes afin de comprendre comment les clients utilisent notre site et d’apporter des améliorations. Les cookies essentiels ne peuvent pas être désactivés, mais vous pouvez cliquer sur « Personnaliser » ou « Refuser » pour refuser les cookies de performance.

Si vous êtes d’accord, AWS et les tiers approuvés utiliseront également des cookies pour fournir des fonctionnalités utiles au site, mémoriser vos préférences et afficher du contenu pertinent, y compris des publicités pertinentes. Pour accepter ou refuser tous les cookies non essentiels, cliquez sur « Accepter » ou « Refuser ». Pour effectuer des choix plus détaillés, cliquez sur « Personnaliser ».

SageMaker Débogueur Amazon

Mode de mise au point
SageMaker Débogueur Amazon - Amazon SageMaker AI

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.

Déboguez les tenseurs de sortie des modèles issus de tâches de formation au machine learning en temps réel et détectez les problèmes non convergents à l'aide d'Amazon Debugger. SageMaker

Fonctionnalités d'Amazon SageMaker Debugger

Une tâche d'entraînement de machine learning (ML) peut présenter des problèmes tels que des surajustements, la saturation des fonctions d'activation et la disparition des gradients, qui peuvent compromettre les performances du modèle.

SageMaker Debugger fournit des outils permettant de déboguer les tâches d'entraînement et de résoudre ces problèmes afin d'améliorer les performances de votre modèle. Debugger propose également des outils permettant d'envoyer des alertes lorsque des anomalies d'entraînement sont détectées, de prendre des mesures contre les problèmes et d'en identifier la cause racine en visualisant les métriques et les tenseurs collectés.

SageMaker Debugger prend en charge les frameworks Apache MXNet PyTorch, TensorFlow, et XGBoost . Pour plus d'informations sur les frameworks disponibles et les versions prises en charge par SageMaker Debugger, consultez. Frameworks et algorithmes pris en charge

Présentation du fonctionnement d'Amazon SageMaker Debugger.

Voici le flux de travail à haut niveau de Debugger :

  1. Modifiez votre script d'entraînement à l'aide du kit SDK Python pour sagemaker-debugger, si nécessaire.

  2. Configurez une tâche SageMaker de formation avec SageMaker Debugger.

  3. Démarrez une tâche d'entraînement et contrôlez les problèmes d'entraînement en temps réel.

  4. Recevez des alertes et prenez des mesures rapides contre les problèmes d'entraînement.

  5. Examinez l'analyse approfondie des problèmes d'entraînement.

  6. Corrigez les problèmes en tenant compte des suggestions fournies par Debugger et répétez les étapes 1 à 5 pour optimiser votre modèle jusqu'à atteindre la précision souhaitée.

Le guide du développeur SageMaker Debugger aborde les sujets suivants.

ConfidentialitéConditions d'utilisation du sitePréférences de cookies
© 2025, Amazon Web Services, Inc. ou ses affiliés. Tous droits réservés.