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 pembelajaran SageMaker mesin dan algoritma yang didukung oleh Debugger.
| SageMaker-supported frameworks and algorithms | Debugging output tensors |
|---|---|
|
AWS TensorFlow wadah pembelajaran mendalam |
|
|
AWS PyTorch wadah pembelajaran mendalam |
|
|
AWS MXNetwadah pembelajaran mendalam |
|
|
1.0-1, 1.2-1, 1.3-1 |
|
|
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 ApacheMXNet,, 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.kerasTensorFlow 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.jitUntuk 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 berada dalam layanan kecuali wilayah berikut.
Asia Pasifik (Jakarta):
ap-southeast-3
Untuk mengetahui apakah Amazon SageMaker sedang dalam layanan di layanan Anda Wilayah AWS, lihat Layanan AWS Regional
Gunakan Debugger dengan Wadah Pelatihan Kustom
Bawa wadah pelatihan Anda SageMaker 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 Anda dengan pustaka sagemaker-debugger klien, dorong ke Amazon Elastic Container Registry (AmazonECR), lalu pantau dan debug, lihatGunakan 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 dan operasi. SageMaker CreateTrainingJob DescribeTrainingJobAPI Pustaka sagemaker-debugger klien menyediakan alat untuk mendaftarkan kait dan mengakses data pelatihan melalui fitur uji coba, semua melalui API operasinya yang fleksibel dan kuat. Ini mendukung kerangka kerja pembelajaran mesin TensorFlow,, PyTorchMXNet, dan XGBoost pada Python 3.6 dan yang lebih baru.
Untuk sumber daya langsung tentang Debugger dan sagemaker-debugger API operasi, lihat tautan berikut:
Jika Anda menggunakan SDK for Java untuk melakukan pekerjaan SageMaker pelatihan dan ingin mengkonfigurasi DebuggerAPIs, lihat referensi berikut:
