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.
CloudWatch Metriche Amazon per il monitoraggio e l'analisi dei lavori di formazione
Un job di SageMaker formazione Amazon è un processo iterativo che insegna a un modello a fare previsioni presentando esempi tratti da un set di dati di formazione. In genere, un algoritmo di addestramento calcola diversi parametri, ad esempio errore di addestramento e accuratezza della previsione. Questi parametri consentono di stabilire la capacità di apprendimento e di generalizzazione del modello per fare previsioni su dati non visualizzati. L'algoritmo di formazione scrive i valori di queste metriche nei log, che l' SageMaker IA monitora e invia ad Amazon in tempo reale. CloudWatch Per analizzare le prestazioni del processo di training, puoi visualizzare grafici di questi parametri in CloudWatch. Al termine di un processo di addestramento, puoi anche ottenere un elenco dei valori dei parametri che vengono calcolati nell'iterazione finale chiamando l'operazione DescribeTrainingJob.
Nota
Amazon CloudWatch supporta metriche personalizzate ad alta risoluzione e la risoluzione massima è di 1 secondo. Tuttavia, maggiore è la risoluzione, minore è la durata delle metriche. CloudWatch Per la risoluzione in frequenza di 1 secondo, le CloudWatch metriche sono disponibili per 3 ore. Per ulteriori informazioni sulla risoluzione e sulla durata delle CloudWatch metriche, consulta GetMetricStatistics Amazon API Reference. CloudWatch
Suggerimento
Se desideri profilare il tuo lavoro di formazione con una risoluzione più precisa fino a una granularità di 100 millisecondi (0,1 secondi) e archiviare le metriche di formazione a tempo indeterminato in Amazon S3 per un'analisi personalizzata in qualsiasi momento, prendi in considerazione l'utilizzo di Amazon Debugger. SageMaker SageMaker Debugger fornisce regole integrate per rilevare automaticamente i problemi di addestramento più comuni; rileva i problemi di utilizzo delle risorse hardware (come CPU, GPU e I/O colli di bottiglia) e i problemi dei modelli non convergenti (come overfit, vanishing gradient e tensori esplosivi). SageMaker Debugger fornisce anche visualizzazioni tramite Studio Classic e il relativo report di profilazione. Per esplorare le visualizzazioni del Debugger, vedi Debugger Insights Dashboard Walkthrough, SageMaker Debugger Profiling Report Walkthrough e Analyze Data Using the SMDebug Client Library. https://docs.aws.amazon.com/sagemaker/latest/dg/debugger-analyze-data.html
Argomenti
