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.

Definizione dei parametri di training

SageMaker L'intelligenza artificiale analizza automaticamente i registri dei lavori di formazione e invia le metriche di formazione a. CloudWatch Per impostazione predefinita, l' SageMaker IA invia le metriche di utilizzo delle risorse di sistema elencate in SageMaker AI Jobs e Endpoint Metrics. Se desideri che l' SageMaker intelligenza artificiale analizzi i log e invii metriche personalizzate da un processo di formazione del tuo algoritmo a CloudWatch, devi specificare le definizioni delle metriche passando il nome delle metriche e delle espressioni regolari quando configuri una richiesta di lavoro di formazione AI. SageMaker

Puoi specificare le metriche da monitorare utilizzando la console SageMaker AI, l'AI Python SDK o l'SageMaker API AI di basso livello. SageMaker

Se utilizzi il tuo algoritmo, procedi come riportato di seguito:

Ad esempio, supponi che l'algoritmo emetta i seguenti parametri per errore di addestramento ed errore di convalida:

Train_error=0.138318;  Valid_error=0.324557;

Se desideri monitorare entrambe le metriche in CloudWatch, il dizionario per le definizioni delle metriche dovrebbe essere simile al seguente esempio:

[
    {
        "Name": "train:error",
        "Regex": "Train_error=(.*?);"
    },
    {
        "Name": "validation:error",
        "Regex": "Valid_error=(.*?);"
    }    
]

Nell'espressione regolare per la train:error metrica definita nell'esempio precedente, la prima parte dell'espressione regolare trova il testo esatto "Train_error=» e l'espressione (.*?); acquisisce qualsiasi carattere fino alla comparsa del primo punto e virgola. In questa espressione, la parentesi indicano alla regex di acquisire il loro contenuto, . significa qualsiasi carattere, * significa zero o più caratteri e ? significa acquisire solo fino alla prima istanza del carattere ;.

Definisci le metriche utilizzando AI Python SDK SageMaker

Definisci le metriche a cui desideri inviare CloudWatch specificando un elenco di definizioni delle metriche in quando crei AlgorithmSpecification un using. TrainingJob sagemaker-core Ad esempio, se desideri monitorare sia le metriche che train:error le validation:error metriche in CloudWatch, la tua TrainingJob.create() chiamata sarà simile al seguente esempio:

from sagemaker.core.resources import TrainingJob
from sagemaker.core.shapes import (
    AlgorithmSpecification,
    MetricDefinition,
    ResourceConfig,
    OutputDataConfig,
    StoppingCondition,
)

TrainingJob.create(
    training_job_name="my-training-job",
    role_arn="arn:aws:iam::123456789012:role/SageMakerRole",
    algorithm_specification=AlgorithmSpecification(
        training_image="your-own-image-uri",
        training_input_mode="File",
        metric_definitions=[
            MetricDefinition(name="train:error", regex="Train_error=(.*?);"),
            MetricDefinition(name="validation:error", regex="Valid_error=(.*?);"),
        ],
    ),
    resource_config=ResourceConfig(
        instance_type="ml.c4.xlarge",
        instance_count=1,
        volume_size_in_gb=30,
    ),
    output_data_config=OutputDataConfig(s3_output_path="s3://bucket/output"),
    stopping_condition=StoppingCondition(max_runtime_in_seconds=3600),
)

Per ulteriori informazioni sulla formazione utilizzando Amazon SageMaker Python SDK ModelTrainers, consulta Sagemaker Python SDK on. GitHub

Definisci le metriche utilizzando la console AI SageMaker

Se scegli l'opzione Il tuo contenitore di algoritmi in ECR come fonte dell'algoritmo nella console SageMaker AI quando crei un lavoro di formazione, aggiungi le definizioni delle metriche nella sezione Metriche. La schermata seguente mostra come dovrebbe funzionare dopo aver aggiunto i nomi dei parametri di esempio e le espressioni regolari corrispondenti.

Definisci le metriche utilizzando l'API AI Low-level SageMaker

Definisci le metriche a cui desideri inviare CloudWatch specificando un elenco di nomi di metriche ed espressioni regolari nel MetricDefinitions campo del parametro di AlgorithmSpecification input che passi all'operazione. CreateTrainingJob Ad esempio, se desideri monitorare sia le metriche che train:error le validation:error metriche in CloudWatch, AlgorithmSpecification dovresti assomigliare al seguente esempio:

"AlgorithmSpecification": {
    "TrainingImage": your-own-image-uri,
    "TrainingInputMode": "File",
    "MetricDefinitions" : [
        {
            "Name": "train:error",
            "Regex": "Train_error=(.*?);"
        },
        {
            "Name": "validation:error",
            "Regex": "Valid_error=(.*?);"
        }
    ]
}

Per ulteriori informazioni sulla definizione e l'esecuzione di un lavoro di formazione utilizzando l'API SageMaker AI di basso livello, consulta. CreateTrainingJob