Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
SageMaker Debugger Amazon
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.
Debug model keluaran tensor dari pekerjaan pelatihan pembelajaran mesin secara real time dan deteksi masalah yang tidak konvergen menggunakan Amazon Debugger. SageMaker
Fitur Amazon SageMaker Debugger
Pekerjaan pelatihan pembelajaran mesin (ML) dapat memiliki masalah seperti kelebihan pemasangan, fungsi aktivasi jenuh, dan gradien yang hilang, yang dapat membahayakan kinerja model.
SageMaker Debugger menyediakan alat untuk men-debug pekerjaan pelatihan dan menyelesaikan masalah tersebut untuk meningkatkan kinerja model Anda. Debugger juga menawarkan alat untuk mengirim peringatan ketika anomali pelatihan ditemukan, mengambil tindakan terhadap masalah, dan mengidentifikasi akar penyebabnya dengan memvisualisasikan metrik dan tensor yang dikumpulkan.
SageMaker Debugger mendukung kerangka kerja Apache MXNet,, PyTorch TensorFlow, dan XGBoost. Untuk informasi selengkapnya tentang kerangka kerja dan versi yang tersedia yang didukung oleh SageMaker Debugger, lihatKerangka kerja dan algoritma yang didukung.
Alur kerja Debugger tingkat tinggi adalah sebagai berikut:
-
Ubah skrip pelatihan Anda dengan
sagemaker-debuggerPython SDK jika diperlukan. -
Konfigurasikan pekerjaan SageMaker pelatihan dengan SageMaker Debugger.
-
Konfigurasikan menggunakan ModelTrainer API SageMaker AI (untuk Python SDK).
-
Konfigurasikan menggunakan
CreateTrainingJobpermintaan SageMaker AI (untuk Boto3 atau CLI). -
Konfigurasikan wadah pelatihan khusus dengan SageMaker Debugger.
-
-
Mulai pekerjaan pelatihan dan pantau masalah pelatihan secara real time.
-
Dapatkan peringatan dan ambil tindakan cepat terhadap masalah pelatihan.
-
Terima teks dan email dan hentikan pekerjaan pelatihan ketika masalah pelatihan ditemukan menggunakanGunakan tindakan bawaan Debugger untuk aturan.
-
Siapkan tindakan Anda sendiri menggunakan Amazon Ev CloudWatch ents dan AWS Lambda.
-
-
Jelajahi analisis mendalam tentang masalah pelatihan.
-
Untuk men-debug tensor keluaran model, lihatVisualisasikan Tensor Output Debugger di TensorBoard.
-
-
Perbaiki masalah, pertimbangkan saran yang diberikan oleh Debugger, dan ulangi langkah 1—5 hingga Anda mengoptimalkan model dan mencapai akurasi target.
Panduan pengembang SageMaker Debugger memandu Anda melalui topik-topik berikut.
