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
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.custom
API.
-
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.