Use o Debugger APIs para executar suas próprias regras personalizadas - Amazon SageMaker

As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.

Use o Debugger APIs para executar suas próprias regras personalizadas

O exemplo de código a seguir mostra como configurar uma regra personalizada com o Amazon SageMaker Python SDK. Este exemplo pressupõe que o script de regras personalizadas que você criou na etapa anterior esteja localizado em 'path/to/my_custom_rule.py'.

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"}
)

A lista a seguir explica os argumentos do Debugger Rule.customAPI.

  • name (str): especifique um nome de regra personalizado conforme desejar.

  • image_uri (str): essa é a imagem do contêiner que tem a lógica de entender sua regra personalizada. Ele fornece e avalia as coleções de tensores especificadas que você salva no trabalho de treinamento. Você pode encontrar a lista de imagens de avaliadores de SageMaker regras de Imagem do Amazon SageMaker Debugger URIs para avaliadores de regras personalizadas código aberto em.

  • instance_type (str): você precisa especificar uma instância para criar um contêiner docker de regras. Isso ativa a instância paralelamente a um contêiner de treinamento.

  • source(str): Esse é o caminho local ou o Amazon URI S3 para seu script de regras personalizado.

  • rule_to_invoke(str): Isso especifica a implementação específica da classe de regra em seu script de regra personalizado. SageMaker suporta somente uma regra a ser avaliada por vez em um trabalho de regras.

  • collections_to_save (str): isso especifica quais coleções de tensores você salvará para que a regra seja executada.

  • rule_parameters (dicionário): Isso aceita entradas de parâmetros em formato de dicionário. Você pode ajustar os parâmetros que você configurou no script de regra personalizada.

Depois de configurar o custom_rule objeto, você pode usá-lo para criar um SageMaker estimador para qualquer trabalho de treinamento. Especifique o entry_point em seu script de treinamento. Não é necessário fazer nenhuma alteração no script de treinamento.

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()

Para obter mais variações e exemplos avançados do uso das regras personalizadas do Debugger, consulte os seguintes exemplos de cadernos.