Usa il Debugger APIs per eseguire le tue regole personalizzate - Amazon SageMaker

Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.

Usa il Debugger APIs per eseguire le tue regole personalizzate

Il seguente esempio di codice mostra come configurare una regola personalizzata con Amazon SageMaker Python SDK. Questo esempio presuppone che lo script di regole personalizzate creato nella fase precedente si trovi in 'path/to/my_custom_rule.py'.

from sagemaker.debugger import Rule, CollectionConfig

custom_rule = Rule.custom(
    name='MyCustomRule',
    image_uri='759209512951.dkr.ecr.us-west-2.amazonaws.com/sagemaker-debugger-rule-evaluator:latest', 
    instance_type='ml.t3.medium',     
    source='path/to/my_custom_rule.py', 
    rule_to_invoke='CustomGradientRule',     
    collections_to_save=[CollectionConfig("gradients")], 
    rule_parameters={"threshold": "20.0"}
)

L'elenco seguente spiega gli argomenti del Debugger Rule.customAPI.

  • name (str): specifica un nome di regola personalizzato desiderato.

  • image_uri (str): questa è l'immagine del container che ha la logica di comprendere la regola personalizzata. Reperisce e valuta le raccolte di tensori specificate salvate nel processo di addestramento. È possibile trovare l'elenco delle immagini open source di SageMaker Rule Evaluator da. Immagine Amazon SageMaker Debugger URIs per valutatori di regole personalizzati

  • instance_type (str): devi specificare un'istanza per creare un container docker per regole. Questo fa funzionare l'istanza parallelamente a un container di addestramento.

  • source(str): Questo è il percorso locale di Amazon S3 URI verso lo script di regole personalizzato.

  • rule_to_invoke(str): specifica la particolare implementazione della classe Rule nello script di regole personalizzato. SageMaker supporta una sola regola da valutare alla volta in un processo di regole.

  • collections_to_save (str): specifica quali raccolte di tensori verranno salvate per l'esecuzione della regola.

  • rule_parameters (dizionario): accetta input di parametri in un formato dizionario. È possibile regolare i parametri configurati nello script di regole personalizzate.

Dopo aver impostato l'custom_ruleoggetto, è possibile utilizzarlo per creare uno SageMaker stimatore per qualsiasi lavoro di formazione. Specifica entry_point nello script di addestramento. Non è necessario apportare modifiche allo script di addestramento.

from sagemaker.tensorflow import TensorFlow

estimator = TensorFlow(
                role=sagemaker.get_execution_role(),
                base_job_name='smdebug-custom-rule-demo-tf-keras',
                entry_point='path/to/your_training_script.py'
                train_instance_type='ml.p2.xlarge'
                ...
                
                # debugger-specific arguments below
                rules = [custom_rule]
)

estimator.fit()

Per ulteriori varianti ed esempi avanzati di utilizzo delle regole personalizzate di Debugger, consulta i seguenti notebook di esempio.