View a markdown version of this page

Gunakan aturan bawaan Debugger dengan pengaturan parameter default - Amazon SageMaker AI

Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

Gunakan aturan bawaan Debugger dengan pengaturan parameter default

catatan

Amazon SageMaker Debugger tidak lagi terbuka untuk pelanggan baru. Pelanggan yang sudah ada dapat terus menggunakan layanan seperti biasa. AWS terus berinvestasi dalam peningkatan keamanan dan ketersediaan untuk Debugger, tetapi kami tidak berencana untuk memperkenalkan fitur baru. Untuk informasi selengkapnya, lihat Perubahan ketersediaan debugger.

Untuk menentukan aturan bawaan Debugger dalam estimator, Anda perlu mengonfigurasi objek daftar. Kode contoh berikut menunjukkan struktur dasar daftar aturan bawaan Debugger:

from sagemaker.core.debugger import Rule, rule_configs

rules=[
    Rule.sagemaker(rule_configs.built_in_rule_name_1()),
    Rule.sagemaker(rule_configs.built_in_rule_name_2()),
    ...
    Rule.sagemaker(rule_configs.built_in_rule_name_n()),
    ... # You can also append more profiler rules in the ProfilerRule.sagemaker(rule_configs.*()) format.
]

Untuk informasi selengkapnya tentang nilai parameter default dan deskripsi aturan bawaan, lihatDaftar aturan bawaan Debugger.

Untuk menemukan referensi API SageMaker Debugger, lihat sagemaker.debugger.rule_configs dan sagemaker.debugger.Rule.

Misalnya, untuk memeriksa kinerja pelatihan secara keseluruhan dan kemajuan model Anda, buat estimator SageMaker AI dengan konfigurasi aturan bawaan berikut. 

from sagemaker.core.debugger import Rule, rule_configs

rules=[
    Rule.sagemaker(rule_configs.loss_not_decreasing()),
    Rule.sagemaker(rule_configs.overfit()),
    Rule.sagemaker(rule_configs.overtraining()),
    Rule.sagemaker(rule_configs.stalled_training_rule())
]

Saat Anda memulai pekerjaan pelatihan, Debugger mengumpulkan data pemanfaatan sumber daya sistem setiap 500 milidetik dan nilai kerugian dan akurasi setiap 500 langkah secara default. Debugger menganalisis pemanfaatan sumber daya untuk mengidentifikasi apakah model Anda mengalami masalah bottleneck. loss_not_decreasing,, overfitovertraining, dan stalled_training_rule memantau jika model Anda mengoptimalkan fungsi kerugian tanpa masalah pelatihan tersebut. Jika aturan mendeteksi anomali pelatihan, status evaluasi aturan berubah menjadiIssueFound. Anda dapat mengatur tindakan otomatis, seperti memberi tahu masalah pelatihan dan menghentikan pekerjaan pelatihan menggunakan Amazon Ev CloudWatch ents dan AWS Lambda. Untuk informasi selengkapnya, lihat Tindakan pada aturan Amazon SageMaker Debugger.