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

# Gunakan pustaka `smdebug` klien untuk membuat aturan kustom sebagai skrip Python
<a name="debugger-custom-rules-python-script"></a>

`smdebug`Rule API menyediakan antarmuka untuk mengatur aturan kustom Anda sendiri. Script python berikut adalah contoh bagaimana membangun aturan kustom,. `CustomGradientRule` Aturan kustom tutorial ini mengawasi jika gradien menjadi terlalu besar dan menetapkan ambang default sebagai 10. Aturan khusus mengambil uji coba dasar yang dibuat oleh estimator SageMaker AI saat memulai pekerjaan pelatihan. 

```
from smdebug.rules.rule import Rule

class CustomGradientRule(Rule):
    def __init__(self, base_trial, threshold=10.0):
        super().__init__(base_trial)
        self.threshold = float(threshold)

    def invoke_at_step(self, step):
        for tname in self.base_trial.tensor_names(collection="gradients"):
            t = self.base_trial.tensor(tname)
            abs_mean = t.reduction_value(step, "mean", abs=True)
            if abs_mean > self.threshold:
                return True
        return False
```

Anda dapat menambahkan beberapa kelas aturan khusus sebanyak yang Anda inginkan dalam skrip python yang sama dan menerapkannya ke uji coba pekerjaan pelatihan apa pun dengan membuat objek aturan khusus di bagian berikut.