Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
Langkah 2: Luncurkan dan Debug Pekerjaan Pelatihan Menggunakan Python SageMaker SDK
Untuk mengonfigurasi SageMaker estimator dengan SageMaker Debugger, gunakan Amazon SageMaker Python SDKdebugger_hook_config
,tensorboard_output_config
, dan. rules
penting
Sebelum membangun dan menjalankan metode kecocokan estimator untuk meluncurkan pekerjaan pelatihan, pastikan Anda menyesuaikan skrip pelatihan Anda mengikuti instruksi di. Langkah 1: Sesuaikan Script Pelatihan Anda untuk Mendaftarkan Hook
Buat SageMaker Estimator dengan parameter khusus Debugger
Contoh kode di bagian ini menunjukkan cara membuat SageMaker estimator dengan parameter khusus Debugger.
catatan
Contoh kode berikut adalah template untuk membangun estimator SageMaker kerangka kerja dan tidak dapat dieksekusi secara langsung. Anda perlu melanjutkan ke bagian berikutnya dan mengkonfigurasi parameter khusus Debugger.
Konfigurasikan parameter berikut untuk mengaktifkan SageMaker Debugger:
-
debugger_hook_config
(objek dariDebuggerHookConfig
) - Diperlukan untuk mengaktifkan hook dalam skrip pelatihan yang disesuaikan selamaLangkah 1: Sesuaikan Script Pelatihan Anda untuk Mendaftarkan Hook, konfigurasikan peluncur SageMaker pelatihan (estimator) untuk mengumpulkan tensor keluaran dari pekerjaan pelatihan Anda, dan menyimpan tensor ke dalam bucket S3 aman atau mesin lokal Anda. Untuk mempelajari cara mengkonfigurasi debugger_hook_config
parameter, lihatKonfigurasikan SageMaker Debugger untuk Menyimpan Tensor. -
rules
(daftarRule
objek) — Konfigurasikan parameter ini untuk mengaktifkan aturan bawaan SageMaker Debugger yang ingin Anda jalankan secara real time. Aturan bawaan adalah logika yang secara otomatis men-debug kemajuan pelatihan model Anda dan menemukan masalah pelatihan dengan menganalisis tensor keluaran yang disimpan di bucket S3 aman Anda. Untuk mempelajari cara mengkonfigurasi rules
parameter, lihatKonfigurasikan Aturan Built-in Debugger. Untuk menemukan daftar lengkap aturan bawaan untuk men-debug tensor keluaran, lihat. Aturan Debugger Jika Anda ingin membuat logika Anda sendiri untuk mendeteksi masalah pelatihan apa pun, lihatBuat Aturan Kustom Debugger untuk Training Job Analysis.catatan
Aturan bawaan hanya tersedia melalui contoh SageMaker pelatihan. Anda tidak dapat menggunakannya dalam mode lokal.
-
tensorboard_output_config
(objek dariTensorBoardOutputConfig
) - Konfigurasikan SageMaker Debugger untuk mengumpulkan tensor keluaran dalam format TensorBoard -kompatibel dan simpan ke jalur keluaran S3 Anda yang ditentukan dalam objek. TensorBoardOutputConfig
Untuk mempelajari selengkapnya, lihat Visualisasikan Tensor Output Amazon SageMaker Debugger di TensorBoard.catatan
tensorboard_output_config
Harus dikonfigurasi dengandebugger_hook_config
parameter, yang juga mengharuskan Anda untuk menyesuaikan skrip pelatihan Anda dengan menambahkansagemaker-debugger
kait.
catatan
SageMaker Debugger menyimpan tensor keluaran dengan aman di subfolder bucket S3 Anda. Misalnya, format bucket S3 default URI di akun Anda adalahs3://sagemaker-<region>-<12digit_account_id>/<base-job-name>/<debugger-subfolders>/
. Ada dua subfolder yang dibuat oleh SageMaker Debugger:debug-output
, dan. rule-output
Jika Anda menambahkan tensorboard_output_config
parameter, Anda juga akan menemukan tensorboard-output
folder.
Lihat topik berikut untuk menemukan lebih banyak contoh cara mengonfigurasi parameter khusus Debugger secara detail.