Gunakan Debugger APIs untuk menjalankan aturan kustom Anda sendiri - Amazon SageMaker

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

Gunakan Debugger APIs untuk menjalankan aturan kustom Anda sendiri

Contoh kode berikut menunjukkan cara mengkonfigurasi aturan kustom dengan Amazon SageMaker Python SDK. Contoh ini mengasumsikan bahwa skrip aturan khusus yang Anda buat pada langkah sebelumnya terletak di 'path/to/my_custom_rule.py'.

from sagemaker.debugger import Rule, CollectionConfig

custom_rule = Rule.custom(
    name='MyCustomRule',
    image_uri='759209512951.dkr.ecr.us-west-2.amazonaws.com/sagemaker-debugger-rule-evaluator:latest', 
    instance_type='ml.t3.medium',     
    source='path/to/my_custom_rule.py', 
    rule_to_invoke='CustomGradientRule',     
    collections_to_save=[CollectionConfig("gradients")], 
    rule_parameters={"threshold": "20.0"}
)

Daftar berikut menjelaskan argumen Debugger. Rule.custom API

  • name(str): Tentukan nama aturan khusus yang Anda inginkan.

  • image_uri(str): Ini adalah gambar wadah yang memiliki logika untuk memahami aturan kustom Anda. Ini sumber dan mengevaluasi koleksi tensor tertentu yang Anda simpan dalam pekerjaan pelatihan. Anda dapat menemukan daftar gambar evaluator SageMaker aturan open source dariGambar Amazon SageMaker Debugger URIs untuk evaluator aturan kustom.

  • instance_type(str): Anda perlu menentukan instance untuk membangun wadah docker aturan. Ini memutar instance secara paralel dengan wadah pelatihan.

  • source(str): Ini adalah jalur lokal atau Amazon URI S3 ke skrip aturan khusus Anda.

  • rule_to_invoke(str): Ini menentukan implementasi kelas Aturan tertentu dalam skrip aturan kustom Anda. SageMaker hanya mendukung satu aturan untuk dievaluasi pada satu waktu dalam pekerjaan aturan.

  • collections_to_save(str): Ini menentukan koleksi tensor mana yang akan Anda simpan untuk menjalankan aturan.

  • rule_parameters(kamus): Ini menerima input parameter dalam format kamus. Anda dapat menyesuaikan parameter yang Anda konfigurasikan dalam skrip aturan kustom.

Setelah Anda mengatur custom_rule objek, Anda dapat menggunakannya untuk membangun SageMaker estimator untuk pekerjaan pelatihan apa pun. Tentukan entry_point skrip pelatihan Anda. Anda tidak perlu mengubah skrip pelatihan Anda.

from sagemaker.tensorflow import TensorFlow

estimator = TensorFlow(
                role=sagemaker.get_execution_role(),
                base_job_name='smdebug-custom-rule-demo-tf-keras',
                entry_point='path/to/your_training_script.py'
                train_instance_type='ml.p2.xlarge'
                ...
                
                # debugger-specific arguments below
                rules = [custom_rule]
)

estimator.fit()

Untuk variasi lainnya dan contoh lanjutan menggunakan aturan kustom Debugger, lihat contoh buku catatan berikut.