기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.
Debugger를 사용하여 사용자 지정 규칙 APIs 실행
다음 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"} )
다음 목록은 Debugger Rule.custom
API 인수를 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 규칙 평가자 이미지 목록을 찾을 수 있습니다사용자 지정 규칙 평가자URIs를 위한 Amazon SageMaker Debugger 이미지. -
instance_type
(str): 규칙 docker 컨테이너를 빌드하려면 인스턴스를 지정해야 합니다. 그러면 인스턴스가 훈련 컨테이너와 병렬로 스핀업합니다. -
source
(str): 사용자 URI 지정 규칙 스크립트의 로컬 경로 또는 Amazon S3입니다. -
rule_to_invoke
(str): 사용자 지정 규칙 스크립트에서 특정 규칙 클래스 구현을 지정합니다. 는 규칙 작업에서 한 번에 하나의 규칙만 평가할 수 있도록 SageMaker 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 추정기를 구축할 수 있습니다. 훈련 스크립트에 entry_point
를 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 참고하세요.