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

Tentukan Metrik Pelatihan

SageMaker AI secara otomatis mengurai log pekerjaan pelatihan dan mengirimkan metrik pelatihan ke CloudWatch. Secara default, SageMaker AI mengirimkan metrik pemanfaatan sumber daya sistem yang tercantum dalam SageMaker AI Jobs dan Endpoint Metrics. Jika Anda ingin SageMaker AI mengurai log dan mengirim metrik khusus dari pekerjaan pelatihan algoritma Anda sendiri ke CloudWatch, Anda perlu menentukan definisi metrik dengan meneruskan nama metrik dan ekspresi reguler saat mengonfigurasi permintaan pekerjaan pelatihan SageMaker AI.

Anda dapat menentukan metrik yang ingin Anda lacak menggunakan konsol SageMaker AI, SageMaker AI Python SDK, atau API SageMaker AI tingkat rendah.

Jika Anda menggunakan algoritma Anda sendiri, lakukan hal berikut:

Misalnya, algoritma Anda memancarkan metrik berikut untuk kesalahan pelatihan dan kesalahan validasi:

Train_error=0.138318;  Valid_error=0.324557;

Jika Anda ingin memantau kedua metrik tersebut di CloudWatch, kamus untuk definisi metrik akan terlihat seperti contoh berikut:

[
    {
        "Name": "train:error",
        "Regex": "Train_error=(.*?);"
    },
    {
        "Name": "validation:error",
        "Regex": "Valid_error=(.*?);"
    }    
]

Dalam regex untuk train:error metrik yang didefinisikan dalam contoh sebelumnya, bagian pertama dari regex menemukan teks yang tepat "Train_error=”, dan ekspresi (.*?); menangkap karakter apa pun sampai karakter titik koma pertama muncul. Dalam ekspresi ini, tanda kurung memberi tahu regex untuk menangkap apa yang ada di dalamnya, . berarti karakter apa pun, * berarti nol atau lebih, dan ? berarti menangkap hanya sampai contoh pertama karakter. ;

Tentukan Metrik Menggunakan SageMaker AI Python SDK

Tentukan metrik yang ingin Anda CloudWatch kirim dengan menentukan daftar definisi metrik AlgorithmSpecification saat Anda membuat TrainingJob penggunaansagemaker-core. Misalnya, jika Anda ingin memantau met validation:error rik train:error dan di CloudWatch, TrainingJob.create() panggilan Anda akan terlihat seperti contoh berikut:

from sagemaker.core.resources import TrainingJob
from sagemaker.core.shapes import (
    AlgorithmSpecification,
    MetricDefinition,
    ResourceConfig,
    OutputDataConfig,
    StoppingCondition,
)

TrainingJob.create(
    training_job_name="my-training-job",
    role_arn="arn:aws:iam::123456789012:role/SageMakerRole",
    algorithm_specification=AlgorithmSpecification(
        training_image="your-own-image-uri",
        training_input_mode="File",
        metric_definitions=[
            MetricDefinition(name="train:error", regex="Train_error=(.*?);"),
            MetricDefinition(name="validation:error", regex="Valid_error=(.*?);"),
        ],
    ),
    resource_config=ResourceConfig(
        instance_type="ml.c4.xlarge",
        instance_count=1,
        volume_size_in_gb=30,
    ),
    output_data_config=OutputDataConfig(s3_output_path="s3://bucket/output"),
    stopping_condition=StoppingCondition(max_runtime_in_seconds=3600),
)

Untuk informasi selengkapnya tentang pelatihan menggunakan Amazon SageMaker Python SDK ModelTrainers, lihat Sagemaker Python SDK on GitHub.

Tentukan Metrik Menggunakan Konsol SageMaker AI

Jika Anda memilih opsi Wadah algoritma Anda sendiri di ECR sebagai sumber algoritma Anda di konsol SageMaker AI saat Anda membuat pekerjaan pelatihan, tambahkan definisi metrik di bagian Metrik. Tangkapan layar berikut menunjukkan bagaimana seharusnya terlihat setelah Anda menambahkan contoh nama metrik dan ekspresi reguler yang sesuai.

Tentukan Metrik Menggunakan API Low-level SageMaker AI

Tentukan metrik yang ingin Anda ki CloudWatch rim dengan menentukan daftar nama metrik dan ekspresi regul MetricDefinitions er di bidang parameter AlgorithmSpecification input yang Anda berikan ke CreateTrainingJob operasi. Misalnya, jika Anda ingin memantau validation:error metrik train:error dan metrik di CloudWatch, Anda AlgorithmSpecification akan terlihat seperti contoh berikut:

"AlgorithmSpecification": {
    "TrainingImage": your-own-image-uri,
    "TrainingInputMode": "File",
    "MetricDefinitions" : [
        {
            "Name": "train:error",
            "Regex": "Train_error=(.*?);"
        },
        {
            "Name": "validation:error",
            "Regex": "Valid_error=(.*?);"
        }
    ]
}

Untuk informasi selengkapnya tentang mendefinisikan dan menjalankan pekerjaan pelatihan dengan menggunakan API SageMaker AI tingkat rendah, lihat CreateTrainingJob.