Gestisci SageMaker gli esperimenti di Amazon in Studio Classic - 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.

Gestisci SageMaker gli esperimenti di Amazon in Studio Classic

Importante

Il tracciamento degli SageMaker esperimenti con Experiments Python SDK è disponibile solo in Studio Classic. Ti consigliamo di utilizzare la nuova esperienza di Studio e di creare esperimenti utilizzando le SageMaker integrazioni più recenti con. MLflow Non è prevista alcuna integrazione MLflow dell'interfaccia utente con Studio Classic. Se desideri utilizzarlo MLflow con Studio, devi avviare l'MLflowinterfaccia utente utilizzando AWS CLI. Per ulteriori informazioni, consulta Avvia l'interfaccia utente MLFlow utilizzando il AWS CLI.

Amazon SageMaker Experiments Classic è una funzionalità di Amazon SageMaker che ti consente di creare, gestire, analizzare e confrontare i tuoi esperimenti di machine learning in Studio Classic.

Experiments Classic tiene traccia automaticamente degli input, dei parametri, delle configurazioni e dei risultati delle iterazioni man mano che vengono eseguite. È possibile assegnare, raggruppare e organizzare queste esecuzioni in esperimenti. SageMaker Experiments è integrato con Amazon SageMaker Studio Classic e fornisce un'interfaccia visiva per sfogliare gli esperimenti attivi e passati, confrontare le esecuzioni in base a metriche prestazionali chiave e identificare i modelli con le migliori prestazioni. SageMaker Gli esperimenti tengono traccia di tutti i passaggi e gli artefatti che hanno portato alla creazione di un modello e puoi rivisitare rapidamente le origini di un modello quando risolvi i problemi di produzione o esegui controlli dei modelli per le verifiche di conformità.

Utilizzate SageMaker Experiments per visualizzare, gestire, analizzare e confrontare sia gli esperimenti personalizzati che create a livello di programmazione sia gli esperimenti creati automaticamente dai lavori. SageMaker

Taccuini di esempio per Experiments Classic

I seguenti tutorial mostrano come monitorare le esecuzioni dei vari esperimenti di addestramento dei modelli. È possibile visualizzare gli esperimenti risultanti in Studio Classic dopo aver eseguito i notebook. Per un tutorial che illustra le funzionalità aggiuntive di Studio Classic, consulta. Tour classico di Amazon SageMaker Studio

Monitorare gli esperimenti in un ambiente notebook

Per ulteriori informazioni sul monitoraggio degli esperimenti in un ambiente notebook, consulta i seguenti esempi di notebook:

Tieni traccia delle distorsioni e della spiegabilità dei tuoi esperimenti con Clarify SageMaker

Per una step-by-step guida su come tenere traccia delle distorsioni e sulla spiegabilità degli esperimenti, consultate il seguente taccuino di esempio:

Tieni traccia degli esperimenti per i lavori di SageMaker formazione utilizzando la modalità script

Per ulteriori informazioni sul tracciamento degli esperimenti per i lavori di SageMaker formazione, consultate i seguenti taccuini di esempio:

Visualizzare esperimenti ed esecuzioni

Amazon SageMaker Studio Classic offre un browser di esperimenti che puoi utilizzare per visualizzare elenchi di esperimenti ed esecuzioni. Puoi scegliere una di queste entità per visualizzare informazioni dettagliate sull'entità o scegliere più entità per il confronto. Puoi filtrare l'elenco degli esperimenti per nome, tipo e tag dell'entità.

Per visualizzare esperimenti ed esecuzioni
  1. Per visualizzare l'esperimento in Studio Classic, nella barra laterale sinistra, scegli Esperimenti.

    Per visualizzare tutte le esecuzioni associate seleziona il nome dell'esperimento. È possibile cercare gli esperimenti digitandoli direttamente nella barra di ricerca o filtrando per tipo di esperimento. Inoltre puoi scegliere quali colonne visualizzare nell'esperimento o nell'elenco delle esecuzioni.

    Potrebbe volerci un attimo prima che l'elenco si aggiorni e visualizzi un nuovo esperimento o una nuova esecuzione di esperimento. È possibile fare clic su Aggiorna per aggiornare la pagina. L'elenco degli esperimenti dovrebbe essere simile al seguente:

    Un elenco di esperimenti nell'interfaccia utente SageMaker Experiments
  2. Nell'elenco degli esperimenti, fai doppio clic su un esperimento per visualizzare l'elenco delle esecuzioni dell'esperimento.

    Nota

    Le esecuzioni di esperimenti create automaticamente da SageMaker processi e contenitori sono visibili nell'interfaccia utente di Experiments Studio Classic per impostazione predefinita. Per nascondere le esecuzioni create dai SageMaker lavori per un determinato esperimento, scegli l'icona delle impostazioni ( Black square icon representing a placeholder or empty image. ) e attiva Mostra lavori.

    Un elenco di esperimenti eseguiti nell'interfaccia utente Experiments SageMaker
  3. Fai doppio clic su una esecuzione per visualizzare le informazioni su un'esecuzione specifica.

    Nel riquadro Panoramica, scegli uno dei seguenti titoli per visualizzare le informazioni disponibili su ciascuna esecuzione:

    • Parametri: parametri registrati durante un'esecuzione.

    • Grafici: crea i tuoi grafici per mettere a confronto le esecuzioni.

    • Artefatti di output: tutti gli artefatti risultanti dall'esecuzione dell'esperimento e le posizioni degli artefatti in Amazon S3.

    • Rapporti sulle distorsioni: report sugli errori prima o dopo l'allenamento generati utilizzando Clarify.

    • Spiegabilità: report di spiegabilità generato utilizzando Clarify.

    • Debug: un elenco di regole del debugger e di eventuali problemi rilevati.

Esegui la migrazione da Experiments Classic ad Amazon SageMaker con MLflow

Gli esperimenti precedenti creati utilizzando Experiments Classic sono ancora disponibili per la visualizzazione in Studio Classic. Se desideri mantenere e utilizzare il codice degli esperimenti precedenti conMLflow, devi aggiornare il codice di addestramento per utilizzare MLflow SDK ed eseguire nuovamente gli esperimenti di addestramento. Per ulteriori informazioni su come iniziare a usare MLflow SDK e il AWS MLflow plugin, consultaTieni traccia degli esperimenti con MLFlow.