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 SageMaker machine learning supportati da Debugger.
| SageMaker-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 Contenitori di deep learning MXNet |
|
|
1,0-1, 1,2-1, 1,3-1 |
|
|
Contenitori di formazione personalizzati (disponibili per TensorFlow PyTorch, MXNet e XGBoost con registrazione manuale degli hook) |
-
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 Apache MXNet e TensorFlow XGBoost. PyTorch
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 non supporta più la modifica del codice zero 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 PyTorch Adatta il tuo script di formazione.
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 è in servizio, ad eccezione delle seguenti regioni.
Asia Pacifico (Giacarta):
ap-southeast-3
Per scoprire se Amazon SageMaker è in servizio nel tuo paese Regione AWS, consulta AWS Regional Services
Usa Debugger con container di addestramento personalizzati
Porta i tuoi contenitori di formazione SageMaker e ottieni informazioni dettagliate sui tuoi lavori di formazione utilizzando Debugger. Massimizza la tua efficienza lavorativa ottimizzando il tuo modello sulle istanze Amazon EC2 utilizzando le funzionalità di monitoraggio e debug.
Per ulteriori informazioni su come creare un container di addestramento con la libreria client sagemaker-debugger, inviarlo ad Amazon Elastic Container Registry (Amazon ECR) e monitorare ed eseguire il debug, consulta Uso di Debugger con container di addestramento personalizzati.
Repository open source di Debugger GitHub
Le API Debugger sono fornite tramite SageMaker Python SDK e progettate per creare configurazioni di hook e regole Debugger per le operazioni e API. SageMaker CreateTrainingJob DescribeTrainingJob La libreria client sagemaker-debugger fornisce strumenti per registrare gli hook e accedere ai dati di addestramento tramite la sua funzionalità di prova, il tutto tramite le sue operazioni API flessibili e potenti. Supporta i framework di machine learning TensorFlow, PyTorch MXNet e XGBoost su Python 3.6 e versioni successive.
Per risorse dirette sul Debugger e sulle operazioni dell'API sagemaker-debugger, consulta i collegamenti seguenti:
Se utilizzi l'SDK for Java per SageMaker condurre lavori di formazione e desideri configurare le API Debugger, consulta i seguenti riferimenti:
