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
catatan
Amazon SageMaker Debugger tidak lagi terbuka untuk pelanggan baru. Pelanggan yang sudah ada dapat terus menggunakan layanan seperti biasa. AWS terus berinvestasi dalam peningkatan keamanan dan ketersediaan untuk Debugger, tetapi kami tidak berencana untuk memperkenalkan fitur baru. Untuk informasi selengkapnya, lihat Perubahan ketersediaan debugger.
Tabel berikut menunjukkan kerangka kerja dan algoritma pembelajaran mesin SageMaker AI yang didukung oleh Debugger.
| SageMaker AI-supported frameworks and algorithms | Debugging output tensors |
|---|---|
|
AWS TensorFlow wadah pembelajaran mendalam |
|
|
AWS PyTorch wadah pembelajaran mendalam |
|
|
AWS Kontainer pembelajaran mendalam MXNet |
|
|
1.0-1, 1.2-1, 1.3-1 |
|
|
Wadah pelatihan khusus (tersedia untuk TensorFlow, PyTorch, MXnet, dan XGBoost dengan pendaftaran kait manual) |
-
Men-debug 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, De SageMaker bugger menghentikan dukungan perubahan kode nol untuk model debugging yang dibangun menggunakan
tf.kerasmodul TensorFlow 2.6 dan yang lebih baru. Ini karena perubahan besar yang diumumkan dalam catatan rilisTensorFlow 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 merusak perubahan yang menyebabkan SageMaker Debugger mengganggu
torch.jitfungsionalitas. 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
Wilayah AWS
Amazon SageMaker Debugger tersedia di semua wilayah di mana Amazon SageMaker AI beroperasi kecuali wilayah berikut.
Asia Pasifik (Jakarta):
ap-southeast-3
Untuk mengetahui apakah Amazon SageMaker AI sedang beroperasi di layanan Anda Wilayah AWS, lihat Layanan AWS Regional
Gunakan Debugger dengan Kontainer 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 instans Amazon EC2 menggunakan fitur pemantauan dan debugging.
Untuk informasi selengkapnya tentang cara membuat wadah pelatihan Anda dengan pustaka sagemaker-debugger klien, dorong ke Amazon Elastic Container Registry (Amazon ECR), dan pantau dan debug, lihatGunakan Debugger dengan wadah pelatihan khusus.
Repositori Debugger Open-Source GitHub
Debugger API disediakan melalui SageMaker Python SDK dan dirancang untuk membangun konfigurasi hook dan aturan Debugger untuk operasi SageMaker AI CreateTrainingJob dan DescribeTrainingJob API. Perpustakaan sagemaker-debugger klien menyediakan alat untuk mendaftar kan kait dan mengakses data pelatihan melalui fitur uji coba, semuanya melalui operasi API yang fleksibel dan kuat. Ini mendukung kerangka kerja pembelajaran mesin TensorFlow,, MXNet PyTorch, 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 untuk Java untuk melakukan pekerjaan SageMaker pelatihan dan ingin mengonfigurasi API Debugger, lihat referensi berikut:
