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.
Algoritmos e frameworks com suporte
A tabela a seguir mostra estruturas e algoritmos SageMaker de aprendizado de máquina compatíveis com o Debugger.
| SageMaker-supported frameworks and algorithms | Debugging output tensors |
|---|---|
|
AWS TensorFlow contêineres de aprendizado profundo |
|
|
AWS PyTorch contêineres de aprendizado profundo |
|
|
AWS Contêineres de aprendizado profundo MXNet 1.6.0 |
|
|
1,0-1, 1,2-1, 1,3-1 |
|
|
Contêineres de treinamento personalizados (disponíveis para TensorFlow, PyTorch, MXNet e XGBoost com registro manual de ganchos) |
-
Depuração de tensores de saída – Monitore e depure os parâmetros do modelo, como pesos, gradientes, tendenciosos e valores escalares do seu trabalho de treinamento. As estruturas de aprendizado profundo disponíveis são Apache MXNet, TensorFlow, PyTorch e XGBoost.
Importante
Para a TensorFlow estrutura com Keras, o SageMaker Debugger desaprova o suporte de alteração de código zero para modelos de depuração criados usando os módulos 2.6 e posteriores.
tf.kerasTensorFlow Isso se deve às mudanças significativas anunciadas na nota de lançamento TensorFlow 2.6.0. Para obter instruções sobre como atualizar seu script de treinamento, consulte Adapte seu roteiro TensorFlow de treinamento. Importante
A partir da PyTorch versão 1.12.0 e versões posteriores, o SageMaker Debugger descontinua o suporte à alteração de código zero para modelos de depuração.
Isso ocorre devido a alterações significativas que fazem com que o SageMaker Debugger interfira na funcionalidade.
torch.jitPara obter instruções sobre como atualizar seu script de treinamento, consulte Adapte seu roteiro PyTorch de treinamento.
Se a estrutura ou algoritmo que você deseja treinar e depurar não estiver listado na tabela, acesse o Fórum de AWS discussão
Regiões da AWS
O Amazon SageMaker Debugger está disponível em todas as regiões em que a Amazon SageMaker está em serviço, exceto na região seguinte.
Ásia-Pacífico (Jacarta):
ap-southeast-3
Para descobrir se a Amazon SageMaker está em serviço no seu Região da AWS, consulte Serviços AWS regionais
Use o Depurador com contêineres de treinamento personalizados
Traga seus contêineres de treinamento SageMaker e obtenha informações sobre seus trabalhos de treinamento usando o Debugger. Maximize sua eficiência de processamento otimizando seu modelo nas instâncias do Amazon EC2, usando os recursos de monitoramento e depuração.
Para obter mais informações sobre como compilar seu contêiner de treinamento com a biblioteca de cliente sagemaker-debugger, enviá-lo para o Amazon Elastic Container Registry (Amazon ECR), monitorar e depurar, consulte Use o Depurador com contêineres de treinamento personalizados.
Repositórios de código aberto do Debugger GitHub
As APIs do depurador são fornecidas por meio do SDK do SageMaker Python e projetadas para criar configurações de ganchos e regras do Debugger para as operações da API. SageMaker CreateTrainingJob DescribeTrainingJob A biblioteca de clientes sagemaker-debugger fornece ferramentas para registrar hooks e acessar os dados de treinamento por meio de seu recurso de avaliação, por meio de suas operações de API flexíveis e avançadas. Ele suporta as estruturas de aprendizado de máquina TensorFlow PyTorch, MXNet e XGBoost no Python 3.6 e versões posteriores.
Para recursos diretos sobre o Depurador e as operações de API sagemaker-debugger, consulte os seguintes links:
Se você usa o SDK for Java para SageMaker realizar trabalhos de treinamento e quiser configurar as APIs do Debugger, consulte as seguintes referências:
