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.
Framework e algoritmi supportati
La tabella seguente mostra i framework e gli algoritmi di machine learning basati sull' SageMaker intelligenza artificiale supportati da Debugger.
| SageMaker AI-supported frameworks and algorithms | Debugging output tensors |
|---|---|
|
AWS TensorFlow contenitori di deep learning 1.15.4 o versioni successive |
|
|
AWS PyTorch contenitori di deep learning 1.5.0 |
|
|
AWS MXNetcontenitori di deep learning |
|
|
1,0-1, 1,2-1, 1,3-1 |
|
|
Contenitori di formazione personalizzati (disponibili per TensorFlow, PyTorchMXNet, e XGBoost con registrazione manuale dei ganci) |
-
Debug dei tensori di output: monitora ed esegui il debug dei parametri del modello, come pesi, gradienti, distorsioni e valori scalari, del tuo processo di addestramento. I framework di deep learning disponibili sono ApacheMXNet, TensorFlow, PyTorch e. XGBoost
Importante
Per il TensorFlow framework con Keras, SageMaker Debugger depreca il supporto a zero modifiche del codice per i modelli di debug creati utilizzando i moduli della versione 2.6 e successive.
tf.kerasTensorFlow Ciò è dovuto alle importanti modifiche annunciate nella nota di rilascio della versione 2.6.0. TensorFlowPer istruzioni su come aggiornare lo script di addestramento, consulta Adatta il tuo script di allenamento TensorFlow . Importante
A partire dalla PyTorch versione 1.12.0 e successive, SageMaker Debugger rende obsoleto il supporto per la modifica zero del codice per i modelli di debug.
Ciò è dovuto a modifiche sostanziali che causano l'interferenza di Debugger con la funzionalità. SageMaker
torch.jitPer istruzioni su come aggiornare lo script di addestramento, consulta Adatta il tuo script PyTorch di allenamento.
Se il framework o l'algoritmo che desideri addestrare ed eseguire il debug non è elencato nella tabella, vai al Forum di AWS discussione
Regioni AWS
Amazon SageMaker Debugger è disponibile in tutte le regioni in cui Amazon SageMaker AI è in servizio, ad eccezione delle seguenti regioni.
Asia Pacifico (Giacarta):
ap-southeast-3
Per scoprire se Amazon SageMaker AI è in servizio nel tuo paese Regione AWS, consulta AWS Regional Services
Uso di Debugger con container di addestramento personalizzati
Implementa i tuoi contenitori di formazione all' SageMaker intelligenza artificiale e ottieni informazioni dettagliate sui tuoi lavori di formazione utilizzando Debugger. Massimizza la tua efficienza lavorativa ottimizzando il tuo modello EC2 sulle istanze Amazon utilizzando le funzionalità di monitoraggio e debug.
Per ulteriori informazioni su come creare un contenitore di formazione con la libreria sagemaker-debugger client, inviarlo ad Amazon Elastic Container Registry (AmazonECR) e monitorare ed eseguire il debug, consultaUsa Debugger con contenitori di formazione personalizzati.
Repository open source di Debugger GitHub
I debugger APIs sono forniti tramite SageMaker Python SDK e progettati per creare configurazioni di hook e regole di Debugger per l'IA e le operazioni. SageMaker CreateTrainingJob DescribeTrainingJobAPI La libreria sagemaker-debugger client fornisce strumenti per registrare gli hook e accedere ai dati di addestramento tramite la sua funzionalità di prova, il tutto attraverso le sue operazioni flessibili e potenti. API Supporta i framework TensorFlow di machine learning e XGBoost Python MXNet 3.6 e versioni successive. PyTorch
Per risorse dirette sul Debugger e sagemaker-debugger API sulle operazioni, consultate i seguenti collegamenti:
Se usi SDK for Java per condurre lavori di SageMaker formazione e desideri configurare APIs Debugger, consulta i seguenti riferimenti:
