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.
Monitoraggio AWS utilizzo delle risorse di calcolo in Amazon Studio Classic SageMaker
Nota
Avviso di fine del supporto: il 30 giugno 2027, terminerà il supporto per Amazon Profiler. AWS SageMaker Dopo il 30 giugno 2027, non potrai più accedere alla console Profiler o alle risorse di Profiler. Per ulteriori informazioni, consulta Modifica della disponibilità del profiler.
Per monitorare l'utilizzo delle risorse di calcolo per il tuo lavoro di formazione, utilizza gli strumenti di monitoraggio offerti da Amazon Debugger. SageMaker
Per qualsiasi lavoro di formazione eseguito in SageMaker intelligenza artificiale utilizzando l'SDK SageMaker Python, Debugger raccoglie metriche di base sull'utilizzo delle risorse, come l'utilizzo della CPU, l'utilizzo della GPU, l'utilizzo della memoria GPU, la rete e il tempo di attesa ogni 500 millisecondi. I/O Per visualizzare la dashboard delle metriche di utilizzo delle risorse del tuo lavoro di formazione, usa semplicemente l'interfaccia utente Debugger in Studio Experiments. SageMaker SageMaker
Le operazioni e le fasi di deep learning potrebbero funzionare a intervalli di millisecondi. Rispetto alle CloudWatch metriche di Amazon, che raccolgono le metriche a intervalli di 1 secondo, Debugger fornisce una maggiore granularità delle metriche di utilizzo delle risorse fino a intervalli di 100 millisecondi (0,1 secondi) in modo da poter approfondire le metriche a livello di operazione o passaggio.
Se desideri modificare l'intervallo di tempo della raccolta di parametri, puoi aggiungere un parametro per la configurazione della profilazione all’utilità di avvio del processo di addestramento. Ad esempio, se utilizzi l'AI Python SDK, devi passare il parametro quando crei un oggetto. SageMaker profiler_config ModelTrainer Per informazioni su come regolare l'intervallo di raccolta dei parametri di utilizzo delle risorse, consulta Modello di codice per configurare un oggetto di stima SageMaker AI con i moduli Debugger Python nell'AI Python SDK SageMaker SageMaker e poi Configurazione delle impostazioni per la profilazione di base dell'utilizzo delle risorse di sistema.
Inoltre, puoi aggiungere strumenti di rilevamento dei problemi denominati regole di profilazione integrate fornite da Debugger. SageMaker Le regole di profilazione integrate eseguono analisi rispetto ai parametri di utilizzo delle risorse e rilevano eventuali problemi alle prestazioni di calcolo. Per ulteriori informazioni, consulta Usa le regole di profilazione integrate gestite da Amazon SageMaker Debugger. È possibile ricevere i risultati dell'analisi delle regole tramite l'interfaccia utente Debugger in SageMaker Studio Experiments o il SageMaker Debugger Profiling Report. SageMaker Puoi anche creare regole di profilazione personalizzate utilizzando Python SDK. SageMaker
Per saperne di più sulle funzionalità di monitoraggio fornite da SageMaker Debugger, consulta i seguenti argomenti.
Argomenti
