Referensi Amazon SageMaker Debugger - Amazon SageMaker AI
Debugger APIsGambar Docker untuk aturan DebuggerPengecualianPelatihan terdistribusi didukung oleh Debugger

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

Referensi Amazon SageMaker Debugger

Temukan informasi dan referensi selengkapnya tentang penggunaan Amazon SageMaker Debugger dalam topik berikut.

Amazon SageMaker Debugger APIs

Amazon SageMaker Debugger memiliki operasi API di beberapa lokasi yang digunakan untuk mengimplementasikan pemantauan dan analisis pelatihan model.

Amazon SageMaker Debugger juga menyediakan SDK sagemaker-debugger Python open source yang digunakan untuk mengonfigurasi aturan bawaan, menentukan aturan khusus, dan mendaftarkan kait untuk mengumpulkan data tensor keluaran dari pekerjaan pelatihan.

Amazon SageMaker AI Python SDK adalah SDK tingkat tinggi yang berfokus pada eksperimen pembelajaran mesin. SDK dapat digunakan untuk menerapkan aturan bawaan atau khusus yang ditentukan dengan pustaka SMDebug Python untuk memantau dan menganalisis tensor ini menggunakan estimator AI. SageMaker

Debugger telah menambahkan operasi dan tipe ke Amazon SageMaker API yang memungkinkan platform untuk menggunakan Debugger saat melatih model dan mengelola konfigurasi input dan output.

Operasi API konfigurasi aturan menggunakan fungsionalitas SageMaker Pemrosesan saat menganalisis pelatihan model. Untuk informasi selengkapnya tentang SageMaker Pemrosesan, lihatBeban kerja transformasi data dengan SageMaker Processing.

Gambar Docker untuk aturan Debugger

Amazon SageMaker AI menyediakan dua set gambar Docker untuk aturan: satu set untuk mengevaluasi aturan yang disediakan oleh SageMaker AI (aturan bawaan) dan satu set untuk mengevaluasi aturan khusus yang disediakan dalam file sumber Python.

Jika Anda menggunakan Amazon SageMaker Python SDK, Anda cukup menggunakan operasi API Debugger tingkat tinggi SageMaker AI dengan operasi SageMaker AI Estimator API, tanpa harus mengambil image Debugger Docker secara manual dan mengonfigurasi API. ConfigureTrainingJob

Jika Anda tidak menggunakan SageMaker Python SDK, Anda harus mengambil image dasar container pre-built yang relevan untuk aturan Debugger. Amazon SageMaker Debugger menyediakan gambar Docker yang sudah dibuat sebelumnya untuk aturan bawaan dan kustom, dan gambar disimpan di Amazon Elastic Container Registry (Amazon ECR). Untuk menarik gambar dari repositori Amazon ECR (atau untuk mendorong gambar ke satu), gunakan URL registri nama lengkap gambar menggunakan API. CreateTrainingJob SageMaker AI menggunakan pola URL berikut untuk alamat registri gambar container aturan Debugger. 

<account_id>.dkr.ecr.<Region>.amazonaws.com/<ECR repository name>:<tag>

Untuk ID akun di setiap AWS Wilayah, nama repositori Amazon ECR, dan nilai tag, lihat topik berikut.

Gambar Amazon SageMaker Debugger URIs untuk evaluator aturan bawaan

Gunakan nilai berikut untuk komponen registri URLs untuk gambar yang menyediakan aturan bawaan untuk Amazon SageMaker Debugger. Untuk akun IDs, lihat tabel berikut.

Nama Repositori ECR: sagemaker-debugger-rules

Tag: terbaru

Contoh URL registri lengkap:

904829902805.dkr.ecr.ap-south-1.amazonaws.com/sagemaker-debugger-rules:latest

Akun IDs untuk Gambar Kontainer Aturan Built-in berdasarkan AWS Wilayah

Wilayah account_id
af-south-1

314341159256
ap-east-1

199566480951
ap-northeast-1

430734990657

ap-northeast-2

578805364391
ap-south-1

904829902805
ap-southeast-1

972752614525
ap-southeast-2

184798709955
ca-central-1

519511493484
cn-north-1

618459771430
cn-northwest-1

658757709296
eu-central-1

482524230118
eu-north-1

314864569078
eu-south-1

563282790590
eu-west-1

929884845733
eu-west-2

250201462417
eu-west-3

447278800020
me-south-1

986000313247
sa-east-1

818342061345
us-east-1

503895931360
us-east-2

915447279597
us-west-1

685455198987
us-west-2

895741380848
us-gov-west-1

515509971035

Gambar Amazon SageMaker Debugger URIs untuk evaluator aturan kustom

Gunakan nilai berikut untuk komponen URL registri untuk gambar yang menyediakan evaluator aturan khusus untuk Amazon SageMaker Debugger. Untuk akun IDs, lihat tabel berikut.

Nama Repositori ECR: sagemaker-debugger-rule-evaluator

Tag: terbaru

Contoh URL registri lengkap:

552407032007.dkr.ecr.ap-south-1.amazonaws.com/sagemaker-debugger-rule-evaluator:latest

Akun IDs untuk Gambar Kontainer Aturan Kustom menurut AWS Wilayah

Wilayah account_id
af-south-1

515950693465
ap-east-1

645844755771
ap-northeast-1

670969264625

ap-northeast-2

326368420253
ap-south-1

552407032007
ap-southeast-1

631532610101
ap-southeast-2

445670767460
ca-central-1

105842248657
cn-north-1

617202126805
cn-northwest-1

658559488188
eu-central-1

691764027602
eu-north-1

091235270104
eu-south-1

335033873580
eu-west-1

606966180310
eu-west-2

074613877050
eu-west-3

224335253976
me-south-1

050406412588
sa-east-1

466516958431
us-east-1

864354269164
us-east-2

840043622174
us-west-1

952348334681
us-west-2

759209512951
us-gov-west-1

515361955729

Pengecualian Amazon SageMaker Debugger

Amazon SageMaker Debugger dirancang untuk mengetahui bahwa tensor yang diperlukan untuk menjalankan aturan mungkin tidak tersedia di setiap langkah. Akibatnya, ini menimbulkan beberapa pengecualian, yang memungkinkan Anda mengontrol apa yang terjadi ketika tensor hilang. Pengecualian ini tersedia di modul smdebug.exceptions. Anda dapat mengimpornya sebagai berikut:

from smdebug.exceptions import *

Pengecualian berikut tersedia:

  • TensorUnavailableForStep— Tensor yang diminta tidak tersedia untuk langkah tersebut. Ini mungkin berarti bahwa langkah ini mungkin tidak disimpan sama sekali oleh hook, atau bahwa langkah ini mungkin telah menghemat beberapa tensor tetapi tensor yang diminta bukan bagian dari mereka. Perhatikan bahwa ketika Anda melihat pengecualian ini, itu berarti tensor ini tidak akan pernah tersedia untuk langkah ini di masa mendatang. Jika tensor memiliki pengurangan yang disimpan untuk langkah tersebut, itu memberi tahu Anda bahwa tensor dapat ditanyai.

  • TensorUnavailable— Tensor ini tidak disimpan atau belum disimpan oleh smdebug API. Ini berarti bahwa tensor ini tidak pernah terlihat untuk langkah apa pun. smdebug

  • StepUnavailable— Langkah itu tidak disimpan dan Debugger tidak memiliki data dari langkah.

  • StepNotYetAvailableLangkahnya belum terlihat olehsmdebug. Ini mungkin tersedia di masa depan jika pelatihan masih berlangsung. Debugger secara otomatis memuat data baru saat tersedia.

  • NoMoreData— Dibesarkan saat pelatihan berakhir. Begitu Anda melihat ini, Anda tahu bahwa tidak ada lagi langkah dan tidak ada lagi tensor yang harus diselamatkan.

  • IndexReaderException— Pembaca indeks tidak valid.

  • InvalidWorker— Seorang pekerja dipanggil yang tidak valid.

  • RuleEvaluationConditionMet— Evaluasi aturan di langkah menghasilkan kondisi terpenuhi.

  • InsufficientInformationForRuleInvocation— Informasi yang tidak memadai diberikan untuk menerapkan aturan.

Pelatihan terdistribusi yang didukung oleh Amazon SageMaker Debugger

Daftar berikut menunjukkan ruang lingkup validitas dan pertimbangan untuk menggunakan Debugger pada pekerjaan pelatihan dengan kerangka pembelajaran mendalam dan berbagai opsi pelatihan terdistribusi.

  • Horovod

    Lingkup validitas penggunaan Debugger untuk pekerjaan pelatihan dengan Horovod

    Kerangka Pembelajaran Mendalam Apache MXNet TensorFlow 1.x TensorFlow 2.x TensorFlow 2.x dengan Keras PyTorch
    Pemantauan kemacetan sistem Ya Ya Ya Ya Ya
    Operasi kerangka kerja profil Tidak Tidak Tidak Ya Ya
    Tensor keluaran model debugging Ya Ya Ya Ya Ya

  • SageMaker AI mendistribusikan data paralel

    Lingkup validitas penggunaan Debugger untuk pekerjaan pelatihan dengan SageMaker AI distributed data parallel

    Kerangka Pembelajaran Mendalam TensorFlow 2.x TensorFlow 2.x dengan Keras PyTorch
    Pemantauan kemacetan sistem Ya Ya Ya
    Operasi kerangka kerja profil Tidak* Tidak** Ya
    Tensor keluaran model debugging Ya Ya Ya

    * Debugger tidak mendukung pembuatan profil kerangka kerja untuk 2.x. TensorFlow

    ** SageMaker AI distributed data parallel tidak mendukung TensorFlow 2.x dengan implementasi Keras.

  • SageMaker Model paralel terdistribusi AI — Debugger tidak mendukung pelatihan paralel model terdistribusi SageMaker AI.

  • Pelatihan terdistribusi dengan pos pemeriksaan SageMaker AI - Debugger tidak tersedia untuk pekerjaan pelatihan ketika opsi pelatihan terdistribusi dan pos pemeriksaan SageMaker AI diaktifkan. Anda mungkin melihat kesalahan yang terlihat seperti berikut: 

    SMDebug Does Not Currently Support Distributed Training Jobs With Checkpointing Enabled

    Untuk menggunakan Debugger untuk pekerjaan pelatihan dengan opsi pelatihan terdistribusi, Anda perlu menonaktifkan checkpointing SageMaker AI dan menambahkan fungsi checkpointing manual ke skrip pelatihan Anda. Untuk informasi selengkapnya tentang penggunaan Debugger dengan opsi pelatihan terdistribusi dan pos pemeriksaan, lihat dan. Menggunakan data terdistribusi SageMaker AI paralel dengan Amazon SageMaker Debugger dan pos pemeriksaan Menyimpan Pos Pemeriksaan

  • Parameter Server - Debugger tidak mendukung pelatihan terdistribusi berbasis server parameter.

  • Membuat profil operasi kerangka pelatihan terdistribusi, seperti AllReduced pengoperasian paralel data terdistribusi SageMaker AI dan operasi Horovod, tidak tersedia.