Kerangka kerja dan algoritma yang didukung - Amazon SageMaker AI

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

Kerangka kerja dan algoritma yang didukung

Tabel berikut menunjukkan kerangka kerja dan algoritma pembelajaran mesin SageMaker AI yang didukung oleh Debugger.

SageMaker AI-supported frameworks and algorithms Debugging output tensors

TensorFlow

AWS TensorFlow wadah pembelajaran mendalam 1.15.4 atau yang lebih baru

PyTorch

AWS PyTorch wadah pembelajaran mendalam 1.5.0 atau yang lebih baru

MXNet

AWS MXNet wadah pembelajaran mendalam 1.6.0 atau yang lebih baru

XGBoost

1.0-1, 1.2-1, 1.3-1

SageMaker Estimator generik AI

Wadah pelatihan khusus (tersedia untuk TensorFlow, PyTorch, MXNet, dan XGBoost dengan pendaftaran kait manual)

  • Mendebug tensor keluaran — Lacak dan debug parameter model, seperti bobot, gradien, bias, dan nilai skalar pekerjaan pelatihan Anda. Kerangka kerja pembelajaran mendalam yang tersedia adalah Apache MXNet,, TensorFlow PyTorch, dan. XGBoost

    penting

    Untuk TensorFlow kerangka kerja dengan Keras, SageMaker Debugger menghentikan dukungan perubahan kode nol untuk model debugging yang dibuat menggunakan modul 2.6 dan yang lebih baru. tf.keras TensorFlow Ini karena perubahan yang melanggar yang diumumkan dalam catatan rilis TensorFlow 2.6.0. Untuk petunjuk tentang cara memperbarui skrip pelatihan Anda, lihatSesuaikan skrip TensorFlow pelatihan Anda.

    penting

    Dari PyTorch v1.12.0 dan yang lebih baru, SageMaker Debugger menghentikan dukungan perubahan kode nol untuk model debugging.

    Ini karena melanggar perubahan yang menyebabkan SageMaker Debugger mengganggu fungsionalitas. torch.jit Untuk petunjuk tentang cara memperbarui skrip pelatihan Anda, lihatSesuaikan skrip PyTorch pelatihan Anda.

Jika kerangka kerja atau algoritma yang ingin Anda latih dan debug tidak tercantum dalam tabel, buka Forum AWS Diskusi dan tinggalkan umpan balik tentang SageMaker Debugger.

Wilayah AWS

Amazon SageMaker Debugger tersedia di semua wilayah di mana Amazon SageMaker AI berada dalam layanan kecuali wilayah berikut.

  • Asia Pasifik (Jakarta): ap-southeast-3

Untuk mengetahui apakah Amazon SageMaker AI sedang dalam layanan di layanan Anda Wilayah AWS, lihat Layanan AWS Regional.

Gunakan Debugger dengan Wadah Pelatihan Kustom

Bawa wadah pelatihan Anda ke SageMaker AI dan dapatkan wawasan tentang pekerjaan pelatihan Anda menggunakan Debugger. Maksimalkan efisiensi kerja Anda dengan mengoptimalkan model Anda di EC2 instans Amazon menggunakan fitur pemantauan dan debugging.

Untuk informasi selengkapnya tentang cara membuat wadah pelatihan dengan pustaka sagemaker-debugger klien, dorong ke Amazon Elastic Container Registry (Amazon ECR), lalu pantau dan debug, lihat. Gunakan Debugger dengan wadah pelatihan khusus

Debugger Repositori Sumber Terbuka GitHub

Debugger APIs disediakan melalui SageMaker Python SDK dan dirancang untuk membangun hook Debugger dan konfigurasi aturan untuk operasi AI dan API. SageMaker CreateTrainingJob DescribeTrainingJob Pustaka sagemaker-debugger klien menyediakan alat untuk mendaftarkan kait dan mengakses data pelatihan melalui fitur uji coba, semua melalui operasi API yang fleksibel dan kuat. Ini mendukung kerangka kerja pembelajaran mesin TensorFlow,, PyTorch MXNet, dan XGBoost pada Python 3.6 dan yang lebih baru.

Untuk sumber daya langsung tentang operasi Debugger dan sagemaker-debugger API, lihat tautan berikut:

Jika Anda menggunakan SDK for Java untuk SageMaker melakukan pekerjaan pelatihan dan ingin mengonfigurasi APIs Debugger, lihat referensi berikut: