Debugger 기본 제공 규칙 목록

Amazon Debugger에서 제공하는 디버거 내장 규칙을 사용하여 SageMaker 모델을 학습하는 동안 수집된 지표와 텐서를 분석할 수 있습니다. Debugger 기본 제공 규칙은 훈련 작업의 성공에 결정적인 다양한 공통 조건을 모니터링합니다. Amazon SageMaker Python SDK 또는 하위 수준 SageMaker API 작업을 사용하여 내장된 규칙을 호출할 수 있습니다. 내장 규칙을 사용하는 데는 추가 비용이 들지 않습니다. 청구에 대한 자세한 내용은 Amazon SageMaker 요금 페이지를 참조하십시오.

import sys
import IPython
!{sys.executable} -m pip install -U sagemaker smdebug
IPython.Application.instance().kernel.do_shutdown(True)

Debugger 규칙

다음 규칙은 Rule.sagemaker 클래스 메서드를 사용하여 호출할 수 있는 Debugger 기본 제공 규칙입니다.

기본 파라미터 값으로 기본 제공 규칙을 사용하려면 다음 구성 형식을 사용하세요.

from sagemaker.debugger import Rule, ProfilerRule, rule_configs

rules = [
    Rule.sagemaker(rule_configs.built_in_rule_name_1()),
    Rule.sagemaker(rule_configs.built_in_rule_name_2()),
    ...
    Rule.sagemaker(rule_configs.built_in_rule_name_n())
]

내장 규칙을 사용하여 파라미터 값을 사용자 정의하려면 다음 구성 형식을 사용하세요.

from sagemaker.debugger import Rule, ProfilerRule, rule_configs

rules = [
    Rule.sagemaker(
        base_config=rule_configs.built_in_rule_name(),
        rule_parameters={
                "key": "value"
        }
        collections_to_save=[ 
            CollectionConfig(
                name="tensor_collection_name", 
                parameters={
                    "key": "value"
                } 
            )
        ]
    )
]

파라미터에 사용할 수 있는 키를 찾으려면 rule_parameters 파라미터 설명 테이블을 참조하세요.

각 내장 규칙에 대한 샘플 규칙 구성 코드는 파라미터 설명 표 아래에 제공됩니다.

CreateXgboost보고서

이 CreateXgboostReport 규칙은 XGBoost 훈련 작업에서 출력 텐서를 수집하고 포괄적인 훈련 보고서를 자동 생성합니다. 훈련 작업이 실행 중일 때 또는 훈련 작업이 완료된 후에 종합적인 프로파일링 보고서를 다운로드하고, 훈련 진행 상황이나 훈련 작업의 최종 결과를 확인할 수 있습니다. 이 CreateXgboostReport 규칙은 기본적으로 다음과 같은 출력 텐서를 수집합니다.

rules=[
    Rule.sagemaker(
        rule_configs.create_xgboost_report()
    )  
]

DeadRelu

이 규칙은 활성화 활동이 임곗값 미만으로 떨어졌기 때문에 시도 시 Rectified Linear Unit(ReLU) 활성화 함수의 백분율이 dead로 간주되는 시기를 감지합니다. 레이어의 비활성 ReLU 비율이 비활성 ReLU threshold_layer 값보다 크면 규칙이 True를 반환합니다.

built_in_rules = [
    Rule.sagemaker(
        base_config=rule_configs.dead_relu(),
        rule_parameters={
                "tensor_regex": ".*relu_output|.*ReLU_output",
                "threshold_inactivity": "1.0",
                "threshold_layer": "50.0"
        },
        collections_to_save=[ 
            CollectionConfig(
                name="custom_relu_collection", 
                parameters={
                    "include_regex: ".*relu_output|.*ReLU_output",
                    "save_interval": "500"
                } 
            )
        ]
    )
]

기본 제공 규칙을 구성하고 배포하는 방법의 예는 Debugger 기본 제공 규칙 구성 단원을 참조하세요.

ExplodingTensor

이 규칙은 훈련 중에 방출된 텐서에 무한대 또는 NaN(숫자 아님) 같이 유한하지 않은 값이 포함되어 있는지 감지합니다. 유한하지 않은 값이 감지되면 규칙이 True를 반환합니다.

built_in_rules = [
    Rule.sagemaker(
        base_config=rule_configs.exploding_tensor(),
        rule_parameters={
                "tensor_regex": ".*gradient",
                "only_nan": "False"
        },
        collections_to_save=[ 
            CollectionConfig(
                name="gradients", 
                parameters={
                    "save_interval": "500"
                }
            )
        ]
    )
]

기본 제공 규칙을 구성하고 배포하는 방법의 예는 Debugger 기본 제공 규칙 구성 단원을 참조하세요.

PoorWeight초기화

이 규칙은 모델 파라미터가 제대로 초기화되지 않았는지 감지합니다.

좋은 초기화는 신경망에서 가중치와 그라데이션의 대칭을 깨뜨리고 레이어 간에 상응하는 활성화 분산을 유지합니다. 그렇지 않으면 신경망이 효과적으로 학습을 하지 못합니다. Xavier와 같은 이니셜라이저는 활성화를 통해 분산을 일정하게 유지하는 것을 목표로 합니다. 이는 특히 매우 깊은 신경망을 훈련하는 데 적합합니다. 초기화 규모가 너무 작으면 그라데이션이 사라질 수 있습니다. 초기화 규모가 너무 크면 그라데이션이 폭발할 수 있습니다. 이 규칙은 계층에서 활성화 입력의 분산, 그라데이션 분포 및 초기 단계의 손실 수렴을 검사하여 신경망이 제대로 초기화되지 않았는지 확인합니다.

built_in_rules = [
    Rule.sagemaker(
        base_config=rule_configs.poor_weight_initialization(),
        rule_parameters={
                "activation_inputs_regex": ".*relu_input|.*ReLU_input",
                "threshold": "10.0",
                "distribution_range": "0.001",
                "patience": "5",
                "steps": "10"
        },
        collections_to_save=[ 
            CollectionConfig(
                name="custom_relu_collection", 
                parameters={
                    "include_regex": ".*relu_input|.*ReLU_input",
                    "save_interval": "500"
                } 
            )
        ]
    )
]

기본 제공 규칙을 구성하고 배포하는 방법의 예는 Debugger 기본 제공 규칙 구성 단원을 참조하세요.

SaturatedActivation

이 규칙은 tanh 및 sigmoid 활성화 레이어가 포화 상태인지 여부를 감지합니다. 레이어의 입력이 활성화 함수의 최대값 또는 최소값에 가까울 때 활성화 레이어가 포화 상태가 됩니다. tanh 및 sigmoid 활성화 함수의 최소값 및 최대값은 해당되는 min_threshold 및 max_thresholds 값에 의해 정의됩니다. 노드의 활동이 threshold_inactivity 백분율 이하로 떨어지면 포화된 것으로 간주됩니다. 노드의 threshold_layer 백분율 이상이 포화 상태가 되면 규칙이 True를 반환합니다.

built_in_rules = [
    Rule.sagemaker(
        base_config=rule_configs.saturated_activation(),
        rule_parameters={
                "tensor_regex": ".*tanh_input|.*sigmoid_input",
                "threshold_tanh_min": "-9.4999",
                "threshold_tanh_max": "9.4999",
                "threshold_sigmoid_min": "-23",
                "threshold_sigmoid_max": "16.99999",
                "threshold_inactivity": "1.0",
                "threshold_layer": "50.0"
        },
        collections_to_save=[ 
            CollectionConfig(
                name="custom_activations_collection",
                parameters={
                    "include_regex": ".*tanh_input|.*sigmoid_input"
                    "save_interval": "500"
                } 
            )
        ]
    )
]

기본 제공 규칙을 구성하고 배포하는 방법의 예는 Debugger 기본 제공 규칙 구성 단원을 참조하세요.

VanishingGradient

이 규칙은 시도 시 그라데이션이 극도로 작아지거나 0 광도로 떨어지는지 여부를 감지합니다. 그라데이션의 절대값 평균이 지정된 threshold 값 아래로 떨어지면 규칙이 True를 반환합니다.

built_in_rules = [
    Rule.sagemaker(
        base_config=rule_configs.vanishing_gradient(),
        rule_parameters={
                "threshold": "0.0000001"
        },
        collections_to_save=[ 
            CollectionConfig(
                name="gradients", 
                parameters={
                    "save_interval": "500"
                } 
            )
        ]
    )
]

기본 제공 규칙을 구성하고 배포하는 방법의 예는 Debugger 기본 제공 규칙 구성 단원을 참조하세요.

WeightUpdate비율

이 규칙은 훈련 중 가중치에 대한 업데이트 비율을 추적하고 해당 비율이 너무 크거나 작아지는 경우를 감지합니다. 가중치에 대한 업데이트 비율이 large_threshold value보다 크거나 small_threshold보다 작은 경우, 이 규칙은 True을 반환합니다.

훈련의 조건은 업데이트가 그라데이션에 비례하는 경우에 가장 좋습니다. 업데이트가 지나치게 크면 가중치가 최적 값에서 벗어날 수 있으며, 업데이트가 너무 작으면 수렴이 매우 느려집니다. 이 규칙에서는 가중치를 2가지 훈련 단계에 사용할 수 있어야 하므로, train.save_interval이(가) num_steps와(과) 동일하게 설정되어야 합니다.

built_in_rules = [
    Rule.sagemaker(
        base_config=rule_configs.weight_update_ratio(),
        rule_parameters={
                "num_steps": "100",
                "large_threshold": "10.0",
                "small_threshold": "0.00000001",
                "epsilon": "0.000000001"
        },
        collections_to_save=[ 
            CollectionConfig(
                name="weights", 
                parameters={
                    "train.save_interval": "100"
                } 
            )
        ]
    )
]

기본 제공 규칙을 구성하고 배포하는 방법의 예는 Debugger 기본 제공 규칙 구성 단원을 참조하세요.

AllZero

이 규칙은 텐서 값의 전부 또는 지정된 백분율이 0인지 감지합니다.

이 규칙은 지원되는 딥 러닝 프레임워크 (TensorFlow, MXNet PyTorch 및) 중 하나 또는 XGBoost 알고리즘에 적용할 수 있습니다. collection_names 또는 tensor_regex 파라미터를 지정해야 합니다. 두 파라미터가 모두 지정되면 규칙은 두 집합에서 텐서 합집합을 검사합니다.

기본 제공 규칙을 구성하고 배포하는 방법의 예는 Debugger 기본 제공 규칙 구성 단원을 참조하세요.

built_in_rules = [
    Rule.sagemaker(
        base_config=rule_configs.all_zero(),
        rule_parameters={
                "tensor_regex": ".*",
                "threshold": "100"
        },
        collections_to_save=[ 
            CollectionConfig(
                name="all", 
                parameters={
                    "save_interval": "500"
                } 
            )
        ]
    )
]

ClassImbalance

이 규칙은 클래스 간의 샘플링 불균형을 측정하여 불균형이 임곗값을 초과하거나 불균형의 결과로 과소 대표된 클래스에 대한 예측 오류가 너무 많을 경우 오류를 내보냅니다.

분류 모델에서는 훈련 데이터 세트에 균형 잡힌 클래스가 있어야 하거나 훈련 중에 클래스에 대한 적절한 가중치 부여/샘플링을 수행해야 합니다. 이 규칙이 수행하는 검사는 다음과 같습니다.

이 규칙은 지원되는 딥 러닝 프레임워크 (TensorFlow, MXNet PyTorch 및) 중 하나 또는 XGBoost 알고리즘에 적용할 수 있습니다.

기본 제공 규칙을 구성하고 배포하는 방법의 예는 Debugger 기본 제공 규칙 구성 단원을 참조하세요.

built_in_rules = [
    Rule.sagemaker(
        base_config=rule_configs.class_imbalance(),
        rule_parameters={
                "threshold_imbalance": "10",
                "threshold_misprediction": "0.7",
                "samples": "500",
                "argmax": "False",
                "labels_regex": ".*labels",
                "predictions_regex": ".*predictions"
        },
        collections_to_save=[ 
            CollectionConfig(
                name="custom_output_collection",
                parameters={
                    "include_regex": ".*labels|.*predictions",
                    "save_interval": "500"
                } 
            )
        ]
    )
]

LossNot감소

이 규칙은 손실이 적절한 비율로 값이 감소하지 않는 경우를 감지합니다. 이러한 손실은 스칼라 값이어야 합니다.

이 규칙은 지원되는 딥 러닝 프레임워크 (TensorFlow, MXNet PyTorch 및) 중 하나 또는 XGBoost 알고리즘에 적용할 수 있습니다. collection_names 또는 tensor_regex 파라미터를 지정해야 합니다. 두 파라미터가 모두 지정되면 규칙은 두 집합에서 텐서 합집합을 검사합니다.

기본 제공 규칙을 구성하고 배포하는 방법의 예는 Debugger 기본 제공 규칙 구성 단원을 참조하세요.

built_in_rules = [
    Rule.sagemaker(
        base_config=rule_configs.loss_not_decreasing(),
        rule_parameters={
                "tensor_regex": ".*",
                "use_losses_collection": "True",
                "num_steps": "10",
                "diff_percent": "0.1",
                "increase_threshold_percent": "5",
                "mode": "GLOBAL"
        },
        collections_to_save=[ 
            CollectionConfig(
                name="losses", 
                parameters={
                    "save_interval": "500"
                } 
            )
        ]
    )
]

Overfit

이 규칙은 유효성 검사 및 훈련 손실을 비교하여 모델이 훈련 데이터에 과도하게 적합한지 여부를 감지합니다.

이 규칙은 지원되는 딥 러닝 프레임워크 (TensorFlow, MXNet PyTorch 및) 중 하나 또는 XGBoost 알고리즘에 적용할 수 있습니다.

기본 제공 규칙을 구성하고 배포하는 방법의 예는 Debugger 기본 제공 규칙 구성 단원을 참조하세요.

built_in_rules = [
    Rule.sagemaker(
        base_config=rule_configs.overfit(),
        rule_parameters={
                "tensor_regex": ".*",
                "start_step": "0",
                "patience": "1",
                "ratio_threshold": "0.1"
        },
        collections_to_save=[
            CollectionConfig(
                name="losses", 
                parameters={
                    "train.save_interval": "100",
                    "eval.save_interval": "10"
                } 
            )
        ]
    )
]

Overtraining

이 규칙은 모델이 과잉 훈련를 받는 중인지 감지합니다. 제대로 작동하는 모델을 여러 번 반복 훈련시키고 나면(훈련 및 검증 손실 감소 모두), 모델이 손실 함수의 최솟값에 가까워져 더 이상 개선되지 않습니다. 모델이 계속 훈련을 받으면 모델의 과적합이 시작되어 검증 손실이 증가하기 시작할 수 있습니다. 이 규칙은 임곗값과 조건을 설정하여 모델이 개선되지 않는지 확인하고, 과잉 훈련으로 인한 과적합 문제를 방지합니다.

이 규칙은 지원되는 딥 러닝 프레임워크 (TensorFlow, MXNet PyTorch 및) 중 하나 또는 XGBoost 알고리즘에 적용할 수 있습니다.

기본 제공 규칙을 구성하고 배포하는 방법의 예는 Debugger 기본 제공 규칙 구성 단원을 참조하세요.

built_in_rules = [
    Rule.sagemaker(
        base_config=rule_configs.overtraining(),
        rule_parameters={
                "patience_train": "5",
                "patience_validation": "10",
                "delta": "0.01"
        },
        collections_to_save=[ 
            CollectionConfig(
                name="losses", 
                parameters={
                    "save_interval": "500"
                } 
            )
        ]
    )
]

SimilarAcross실행

이 규칙은 기본 시도에서 수집된 텐서를 다른 시도의 텐서와 비교합니다.

이 규칙은 지원되는 딥 러닝 프레임워크 (TensorFlow, MXNet PyTorch 및) 중 하나 또는 XGBoost 알고리즘에 적용할 수 있습니다.

기본 제공 규칙을 구성하고 배포하는 방법의 예는 Debugger 기본 제공 규칙 구성 단원을 참조하세요.

built_in_rules = [
    Rule.sagemaker(
        base_config=rule_configs.similar_across_runs(),
        rule_parameters={
                "other_trials": "<specify-another-job-name>",
                "collection_names": "losses",
                "tensor_regex": ".*"
        },
        collections_to_save=[ 
            CollectionConfig(
                name="losses", 
                parameters={
                    "save_interval": "500"
                } 
            )
        ]
    )
]

StalledTraining규칙

StalledTrainingRule 교육 작업에 진척이 없는 경우 이를 감지하고 규칙이 실행되면 교육 작업을 중단합니다. 이 규칙은 threshold 파라미터로 정의된 시간 간격으로 텐서를 주기적으로 저장하도록 요구합니다. 이 규칙은 새 텐서를 계속 모니터링하며, 임곗값 간격 동안 새 텐서가 생성되지 않으면 규칙이 실행됩니다.

built_in_rules = [
    Rule.sagemaker(
        base_config=rule_configs.stalled_training_rule(),
        rule_parameters={
                "threshold": "1800",
                "stop_training_on_fire": "True",
                "training_job_name_prefix": "<specify-training-base-job-name>"
        },
        collections_to_save=[ 
            CollectionConfig(
                name="losses", 
                parameters={
                    "save_interval": "500"
                } 
            )
        ]
    )
]

TensorVariance

이 규칙은 분산이 매우 높거나 낮은 텐서가 있는지 감지합니다. 텐서의 분산이 매우 높거나 매우 낮으면 신경이 포화 상태가 되어 신경망의 학습 능력이 저하됩니다. 텐서의 분산이 매우 높으면 결국 텐서가 폭발할 수 있습니다. 이 규칙을 사용하여 이러한 문제를 조기에 감지합니다.

이 규칙은 지원되는 딥 러닝 프레임워크 (TensorFlow, MXNet PyTorch 및) 중 하나 또는 XGBoost 알고리즘에 적용할 수 있습니다. collection_names 또는 tensor_regex 파라미터를 지정해야 합니다. 두 파라미터가 모두 지정되면 규칙은 두 집합에서 텐서 합집합을 검사합니다.

기본 제공 규칙을 구성하고 배포하는 방법의 예는 Debugger 기본 제공 규칙 구성 단원을 참조하세요.

built_in_rules = [
    Rule.sagemaker(
        base_config=rule_configs.tensor_variance(),
        rule_parameters={
                "collection_names": "weights",
                "max_threshold": "10",
                "min_threshold": "0.00001",
        },
        collections_to_save=[ 
            CollectionConfig(
                name="weights", 
                parameters={
                    "save_interval": "500"
                } 
            )
        ]
    )
]

UnchangedTensor

이 규칙은 텐서가 더 이상 여러 단계에서 변경되지 않는지 여부를 감지합니다.

이 규칙은 numpy.allclose 메서드를 실행하여 텐서가 변경되지 않는지 확인합니다.

이 규칙은 지원되는 딥 러닝 프레임워크 (TensorFlow, MXNet PyTorch 및) 중 하나 또는 XGBoost 알고리즘에 적용할 수 있습니다. collection_names 또는 tensor_regex 파라미터를 지정해야 합니다. 두 파라미터가 모두 지정되면 규칙은 두 집합에서 텐서 합집합을 검사합니다.

기본 제공 규칙을 구성하고 배포하는 방법의 예는 Debugger 기본 제공 규칙 구성 단원을 참조하세요.

built_in_rules = [
    Rule.sagemaker(
        base_config=rule_configs.unchanged_tensor(),
        rule_parameters={
                "collection_names": "losses",
                "tensor_regex": "",
                "num_steps": "3",
                "rtol": "1e-05",
                "atol": "1e-08",
                "equal_nan": "False"
        },
        collections_to_save=[ 
            CollectionConfig(
                name="losses", 
                parameters={
                    "save_interval": "500"
                } 
            )
        ]
    )
]

CheckInput이미지

이 규칙은 입력 이미지가 올바르게 정규화 되었는지 확인합니다. 특히 표본 데이터의 평균이 0에서 임곗값을 초과해 차이가 나는지 감지합니다. 많은 컴퓨터 비전 모델에서는 입력 데이터의 평균 및 단위 분산이 0이어야 합니다.

이 규칙은 딥 러닝 애플리케이션에 적용할 수 있습니다.

기본 제공 규칙을 구성하고 배포하는 방법의 예는 Debugger 기본 제공 규칙 구성 단원을 참조하세요.

built_in_rules = [
    Rule.sagemaker(
        base_config=rule_configs.check_input_images(),
        rule_parameters={
                "threshold_mean": "0.2",
                "threshold_samples": "500",
                "regex": ".*hybridsequential0_input_0",
                "channel": "1"
        },
        collections_to_save=[ 
            CollectionConfig(
                name="custom_inputs_collection", 
                parameters={
                    "include_regex": ".*hybridsequential0_input_0",
                    "save_interval": "500"
                } 
            )
        ]
    )
]

NLP SequenceRatio

이 규칙은 성능 최적화에 유용한 입력 시퀀스의 나머지 부분에 주어진 특정 토큰의 비율을 계산합니다. 예를 들어, 입력 시퀀스에서 패딩 end-of-sentence (EOS) 토큰의 비율을 계산할 수 있습니다. EOS 토큰의 수가 너무 많으면 대체 버킷팅 전략을 수행해야 합니다. 입력 시퀀스에서 알 수 없는 토큰의 백분율을 계산할 수도 있습니다. 알 수 없는 단어 수가 너무 많으면 대체 어휘를 사용할 수 있습니다.

이 규칙은 딥 러닝 애플리케이션에 적용할 수 있습니다.

기본 제공 규칙을 구성하고 배포하는 방법의 예는 Debugger 기본 제공 규칙 구성 단원을 참조하세요.

built_in_rules = [
    Rule.sagemaker(
        base_config=rule_configs.nlp_sequence_ratio(),
        rule_parameters={
                "tensor_regex": ".*embedding0_input_0",
                "token_values": "0",
                "token_thresholds_percent": "50"
        },
        collections_to_save=[ 
            CollectionConfig(
                name="custom_inputs_collection", 
                parameters={
                    "include_regex": ".*embedding0_input_0"
                } 
            )
        ]
    )
]

Confusion

이 규칙은 분류 문제에 대한 Confusion 행렬의 장점을 평가합니다.

크기 category_no*category_no에 대한 행렬을 생성하고 (labels, predictions) 쌍에서 나오는 데이터로 채 웁니다. 각각의 (labels, predictions) 쌍에서 confusion[labels][predictions]의 개수가 1씩 증가합니다. 행렬이 완전히 채워지면 데이터 대각선 상 값과 대각선 외 값의 비율이 다음과 같이 평가됩니다.

이 규칙은 XGBoost 알고리즘에 적용될 수 있습니다.

기본 제공 규칙을 구성하고 배포하는 방법의 예는 Debugger 기본 제공 규칙 구성 단원을 참조하세요.

built_in_rules = [
    Rule.sagemaker(
        base_config=rule_configs.confusion(),
        rule_parameters={
                "category_no": "10",
                "labels": "labels",
                "predictions": "predictions",
                "labels_collection": "labels",
                "predictions_collection": "predictions",
                "min_diag": "0.9",
                "max_off_diag": "0.1"
        },
        collections_to_save=[ 
            CollectionConfig(
                name="labels",
                parameters={
                    "save_interval": "500"
                } 
            ),
            CollectionConfig(
                name="predictions",
                parameters={
                    "include_regex": "500"
                } 
            )
        ]
    )
]

FeatureImportance오버웨이트

이 규칙은 단계마다 가장 큰 기능 중요도 값 n개의 가중치를 누적시켜 이 값이 임곗값을 초과하지 않게 합니다. 그 예로 최상위 3개 기능의 임곗값이 모델의 총 가중치의 80% 를 넘지 않도록 설정할 수 있습니다.

이 규칙은 XGBoost 알고리즘에 대해서만 유효합니다.

기본 제공 규칙을 구성하고 배포하는 방법의 예는 Debugger 기본 제공 규칙 구성 단원을 참조하세요.

built_in_rules = [
    Rule.sagemaker(
        base_config=rule_configs.feature_importance_overweight(),
        rule_parameters={
                "threshold": "0.8",
                "nfeatures": "3",
                "tensor_regex": ".*feature_importance/weight"
        },
        collections_to_save=[ 
            CollectionConfig(
                name="feature_importance", 
                parameters={
                    "save_interval": "500"
                } 
            )
        ]
    )
]

TreeDepth

이 규칙은 XGBoost 모델의 트리 깊이를 측정합니다. XGBoost는 손실이 개선되지 않을 경우 분할을 거부합니다. 그리고 훈련을 정규화합니다. 그 결과 트리가 depth 파라미터로 정의된 깊이만큼 확장되지 않을 수도 있습니다.

이 규칙은 XGBoost 알고리즘에 대해서만 유효합니다.

기본 제공 규칙을 구성하고 배포하는 방법의 예는 Debugger 기본 제공 규칙 구성 단원을 참조하세요.

built_in_rules = [
    Rule.sagemaker(
        base_config=rule_configs.tree_depth(),
        rule_parameters={
                "depth": "4"
        },
        collections_to_save=[ 
            CollectionConfig(
                name="tree", 
                parameters={
                    "save_interval": "500"
                } 
            )
        ]
    )
]