기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.
아래의 코드 샘플은 Amazon SageMaker Python SDK
from sagemaker.debugger import Rule, CollectionConfig
custom_rule = Rule.custom(
name='MyCustomRule',
image_uri='759209512951.dkr.ecr.us-west-2.amazonaws.com/sagemaker-debugger-rule-evaluator:latest',
instance_type='ml.t3.medium',
source='path/to/my_custom_rule.py',
rule_to_invoke='CustomGradientRule',
collections_to_save=[CollectionConfig("gradients")],
rule_parameters={"threshold": "20.0"}
) 아래 목록은 Debugger Rule.custom API 인수에 대해 설명합니다.
-
name(str): 원하는 사용자 지정 규칙 이름을 지정합니다. -
image_uri(str): 사용자 지정 규칙을 이해하는 로직이 있는 컨테이너의 이미지입니다. 훈련 작업에서 저장한 지정된 텐서 모음을 소싱하고 평가합니다. 에서 오픈 소스 SageMaker AI 규칙 평가자 이미지 목록을 찾을 수 있습니다사용자 지정 규칙 평가기를 위한 Amazon SageMaker Debugger 이미지 URI. -
instance_type(str): 규칙 docker 컨테이너를 빌드하려면 인스턴스를 지정해야 합니다. 그러면 인스턴스가 훈련 컨테이너와 병렬로 스핀업합니다. -
source(str): 사용자 지정 규칙 스크립트의 로컬 경로 또는 Amazon S3 URI입니다. -
rule_to_invoke(str): 사용자 지정 규칙 스크립트의 특정 규칙 클래스 구현을 지정합니다. SageMaker AI는 규칙 작업에서 한 번에 하나의 규칙만 평가할 수 있도록 지원합니다. -
collections_to_save(str): 규칙을 실행하기 위해 저장할 텐서 모음을 지정합니다. -
rule_parameters(사전): 사전 형식으로 파라미터 입력을 받아들입니다. 사용자 지정 규칙 스크립트에서 구성한 매개 변수를 조정할 수 있습니다.
custom_rule 객체를 설정한 후에는 객체를 사용하여 모든 훈련 작업에 대한 SageMaker AI 예측기를 구축할 수 있습니다. 훈련 스크립트에 entry_point를 지정하세요. 훈련 스크립트는 변경할 필요가 없습니다.
from sagemaker.tensorflow import TensorFlow
estimator = TensorFlow(
role=sagemaker.get_execution_role(),
base_job_name='smdebug-custom-rule-demo-tf-keras',
entry_point='path/to/your_training_script.py'
train_instance_type='ml.p2.xlarge'
...
# debugger-specific arguments below
rules = [custom_rule]
)
estimator.fit()Debugger 사용자 지정 규칙 사용에 대한 추가 변형 및 고급 예제는 다음 예제 노트북을 참조하세요.
